Elettracompany.com

Компьютерный справочник
2 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Анализ временных рядов в excel

Анализ временных рядов

Составляющие временного ряда

При анализе временного ряда выделяют три составляющие: тренд, сезонность и шум. Тренд — это общая тенденция, сезонность, как следует из названия — влияния периодичности (день недели, время года и т.д.) и, наконец, шум — это случайные факторы.

Что бы понять отличие этих трёх величин, смоделируем функцию расстояния от земли до луны. Известно, что в среднем луна каждый год отдаляется на 4 см — это тренд, в течение дня луна совершает оборот вокруг земли и расстояние колеблется от

405400 км — это сезонность. Шум — это «случайные» факторы, например, влияние других планет. Если мы изобразим сумму этих трёх графиков, то мы получим временной ряд — функцию, показывающую изменение расстояния от земли до луны во времени.

Тренд. Методы сглаживания

Методы сглаживания необходимы для удаления шума из временного ряда. Существуют различные способы сглаживания, основные — это метод скользящей средней и метод экспоненциального сглаживания.

Метод скользящей средней

Идея метода скользящего среднего заключается в смещении точки графика на среднее значение некоторого интервала. В качестве интервала берут нечётное количество участков, например, три — предыдущий, текущий и следующий периоды, находится среднее и принимается в качестве сглаженного значения:

У данного метода есть проблема: случайное высокое или низкое значение сильно влияют на скользящую линию. В качестве решения были введены веса. Для распределение веса используют оконные функции, основные оконные функции — это окно Дирихле (прямоугольная функция), В-сплайны, полиномы, синусоидальные и косинусоидальные:

Минусы использования скользящей средней — это сложность вычислений и некорректные данные на концах графика.

Как видно из графика, увеличение n выдаёт более плавную функцию, таким образом нивелируя более мелкие колебания во временном ряду. Обратите внимание, что при сглаживании не имеет значения, совпадает график среднего с графиком данных или нет, целью является построение правильной формы.

Метод экспоненциального сглаживания

Метод экспоненциального сглаживания получил своё название потому, что в сглаженной функции экспоненциально убывает влияние предыдущего периода с неким коэффициентом чувствительности α. Сглаженное значение находится как разница между предыдущим действительным значением и рассчитанным значением:

Коэффициент чувствительности, α, выбирается между 0 и 1, в качестве базиса используют значение 0,3. Если есть достаточная выборка, то коэффициент подбирается путём оптимизации.

Методы прогнозирования

Методы прогнозирования основываются на выявлении тенденции во временном ряду и последующем использовании найденного значения для предсказания будущих значений. В методах прогнозирования выделяют тренд и сезонность, в общем случае, все типы сезонности могут быть найдены последовательными итерациями. Например, при анализе данных за год, можно выделить сезонность времени года, а в оставшемся тренде найти сезонность по дням недели и так далее.

Двойное экспоненциальное сглаживание

Двойное экспоненциальное сглаживание выдаёт сглаженное значение уровня и тенденции.

Smooth — сглаживание, сглаженный уровень на период τ, sτ, зависит от значения уровня на текущий период (Dτ), тренда за предыдущий период (tτ-1) и рассчитанного сглаженного значения на предыдущий период (sτ-1):
sτ = αDτ + (1 — α)(sτ-1 + tτ-1) Trend — тенденция, тренд на период τ, tτ, зависит от рассчитанного сглаженного значения за предыдущий и текущий периоды (sτ и sτ-1) и от предыдущей тенденции:
tτ = β(sτ-sτ-1) + (1-β)tτ-1 Рассчитанные по данным формулам уровень и тренд могут быть использованы в прогнозировании:
D’τ+h = sτ + h·tτ

При расчёте, значения s и t для первого периода назначают s1 = D1 и t=0

Метод Хольт-Винтерса

Метод Хольт-Винтерса включает в себя сезонную составляющую, т.е. периодичность. Существуют две разновидности метода — мультипликативный и аддитивный. В отличие от двойного экспоненциального сглаживания, метод Хольт-Винтерса изучает также влияние периодичности.

Общая идея нахождения значений сглаженного уровня, тренда и периодичности заключается в следующем: сглаженный уровень (s — smooth, иногда используют l — level) — это базовый уровень значений, тренд (t — trend) — это показатель скорости роста, разница между сглаженными значениями текущего и предыдущего периода. Для изучения периодичности (p — period), мы разбиваем данные на периоды размером k и выделяем влияние каждого элемента (1,2. k) периода на сглаженный уровень.

Для более точных расчётов вводится показатель обратной связи. В общем понимании, обратная связь — это влияние предыдущих значений на новые: например, когда Вы начинаете говорить, Вы регулируете громкость своего голоса в зависимости от того, что слышат Ваши уши — это и есть обратная связь.

Для начала расчётов, значения s, t и k, в самом простом виде, могут быть выбираны как sτ = Dτ, t = 0, p = 0.

Для прогнозирования используется следующая формула:

Мультипликативный метод Хольт-Винтерса

Мультипликативный метод отличается от аддитивного тем, что параметры, влияющие на периодичность и сглаженный уровень рассчитываются отношением:

Для прогнозирования используется следующая формула:

Метод Хольт-Винтерса в excel

Таблица для скачивания в форматах ods и xls.

Качество прогнозирования

Проверка качества прогнозирования возможна в случае наличия достаточной выборки и является важной проверкой на достоверность прогноза, для проверки и оптимизации значений α, β и γ необходимо построить прогноз на существующие данные, например, если у нас в наличии данные за пять лет и мы хотим предсказать следующий год, то необходимо построить модель на первых четырёх годах, проверить и оптимизировать коэффициенты для минимизации ошибки между прогнозом и данными на 5й год. После оптимизации модель может быть перестроена с учётом последнего периода для повышения точности, далее следует построение прогноза.

Методы оптимизации будут описаны в отдельной статье, ниже представлен пример прогнозирования методом Хольт Винтерса.

Прогнозирование значений в рядах

Требуется ли прогноз расходов на следующий год или проецирование ожидаемых результатов для ряда в экспоненциальном эксперименте, вы можете использовать Microsoft Office Excel для автоматического создания будущих значений, основанных на существующих данных, или для автоматического создания экстраполяция значений, основанная на линейных расчетах и тенденциях роста.

Вы можете заполнить ряд значений, которые соответствуют простой линейной тенденции или экспоненциального приближения, с помощью команды маркер заполнения или ряда . Для расширения сложных и нелинейных данных можно использовать функции листа или средство регрессионный анализ в надстройке «пакет анализа».

В линейном ряду значение шага или разница между первым и следующим значением в ряду добавляется к начальному значению, а затем добавляется к каждому последующему значению.

Расширенная линейная серия

Чтобы заполнить ряд для линейной наилучшей тенденции, выполните указанные ниже действия.

Выделите не менее двух ячеек, содержащих начальные значения для тренда.

Если вы хотите улучшить точность цикла тренда, выберите дополнительные начальные значения.

Перетащите маркер заполнения в нужном направлении, увеличив значения или уменьшив значения.

Например, если выделенные начальные значения в ячейках C1: E1 — 3, 5 и 8, перетащите маркер заполнения вправо, чтобы заполнить с помощью увеличения значений тенденций, или перетащите его влево, чтобы заполнить с уменьшением значений.

Совет: Чтобы вручную управлять созданием ряда или заполнять его с помощью клавиатуры, нажмите кнопку ряд (вкладка «Главная «, Группа » Редактирование «, кнопка » Заливка «).

Читать еще:  Таблица онлайн создать excel без регистрации

В ряде роста начальное значение умножается на значение шага, чтобы получить следующее значение в ряду. Конечный и каждый последующие продукты затем умножаются на нужное значение.

Расширенный ряд для роста

Чтобы заполнить ряд для экспоненциальной тенденции, выполните указанные ниже действия.

Выделите не менее двух ячеек, содержащих начальные значения для тренда.

Если вы хотите улучшить точность цикла тренда, выберите дополнительные начальные значения.

Удерживая правую кнопку мыши, перетащите маркер заполнения в нужном направлении, увеличив значения или уменьшив значения, отпустите кнопку мыши, а затем выберите команду тенденция роста на контекстное меню.

Например, если выделенные начальные значения в ячейках C1: E1 — 3, 5 и 8, перетащите маркер заполнения вправо, чтобы заполнить с помощью увеличения значений тенденций, или перетащите его влево, чтобы заполнить с уменьшением значений.

Совет: Чтобы вручную управлять созданием ряда или заполнять его с помощью клавиатуры, нажмите кнопку ряд (вкладка «Главная «, Группа » Редактирование «, кнопка » Заливка «).

При нажатии команды ряд вы можете вручную настроить способ создания линейного тренда или экспоненциального тренда, а затем ввести значения с помощью клавиатуры.

В линейной серии начальные значения применяются к алгоритму наименьших квадратов (y = mx + b) для создания ряда.

В ряде роста начальные значения применяются к алгоритму экспоненциальной кривой (y = b * m ^ x) для создания ряда.

В любом случае значение шага не учитывается. Созданный ряд эквивалентен значениям, возвращаемым функцией тенденция или рост.

Чтобы ввести значения вручную, выполните указанные ниже действия.

Выделите ячейку, в которой нужно начать ряд. Ячейка должна содержать первое значение в ряду.

Когда вы наберете команду ряд , результирующая серия заменяет исходные выделенные значения. Если вы хотите сохранить исходные значения, скопируйте их в другую строку или столбец, а затем создайте ряд, выделив копируемые значения.

На вкладке Главная в группе Редактирование нажмите кнопку Заполнить и выберите пункт Прогрессия.

Выполните одно из указанных ниже действий.

Чтобы заполнить весь ряд вниз по листу, щелкните столбцы.

Чтобы заполнить ряд на листе, нажмите кнопку строки.

В поле шаг введите значение, на которое нужно добавить ряд.

Результат значения шага

Значение шага добавляется к первому начальному значению, а затем добавляется к каждому последующему значению.

Первое начальное значение умножается на значение шага. Конечный и каждый последующие продукты затем умножаются на нужное значение.

В разделе типвыберите вариант линейный или рост.

В поле значение остановки введите значение, по которому нужно остановить ряд.

Примечание: Если в ряду есть несколько начальных значений и вы хотите, чтобы в Excel создавалась тенденция, установите флажок тенденция .

Если у вас есть данные, для которых требуется прогнозировать тенденцию, вы можете создать линия тренда на диаграмме. Например, если у вас есть диаграмма в Excel, в которой отображаются данные о продажах за первые несколько месяцев года, вы можете добавить на диаграмму линию тренда, которая показывает общую тенденцию продаж (увеличение или уменьшение), или отображает плановые тенденции для месяцев вперед.

В этой процедуре предполагается, что вы уже создали диаграмму на основе существующих данных. Если вы еще не сделали этого, ознакомьтесь с разделом Создание диаграммы.

Щелкните ряд данных, в который вы хотите добавить линия тренда или скользящее среднее.

На вкладке Макет в группе анализ нажмите кнопку линия тренда, а затем выберите нужный тип регрессионной линии тренда или скользящего среднего.

Чтобы настроить параметры и отформатировать регрессионную линию тренда или скользящее среднее, щелкните линию тренда правой кнопкой мыши и выберите в контекстном меню пункт Формат линии тренда .

Выберите нужные параметры линии тренда, линии и эффекты.

Если вы выбрали параметр полином, введите в поле порядок самое высокое значение для независимой переменной.

Если вы выбрали скользящее среднее, введите в поле период число периодов, которые будут использоваться для расчета скользящего среднего.

В поле « на основе ряда » перечислены все ряды данных на диаграмме, поддерживающих линии тренда. Чтобы добавить линию тренда в другой ряд, щелкните его имя в поле, а затем выберите нужные параметры.

Если вы добавите скользящее среднее на точечную диаграмму, скользящее среднее будет основываться на порядке значений x, отображенных на диаграмме. Для получения нужного результата может потребоваться сортировка значений x перед добавлением скользящего среднего.

Если вам нужно выполнить более сложный регрессионный анализ, в том числе для вычисления и построения остатков, можно использовать средство регрессионный анализ в надстройке «пакет анализа». Дополнительные сведения можно найти в разделе Загрузка пакета анализа.

В Excel в Интернете можно вычислить значения в ряду с помощью функций листа или щелкнуть и перетащить маркер заполнения, чтобы создать линейную тенденцию чисел. Но вы не можете создать тенденцию роста с помощью маркера заполнения.

Ниже показано, как с помощью маркера заполнения создать линейную тенденцию чисел в Excel в Интернете.

Выделите не менее двух ячеек, содержащих начальные значения для тренда.

Если вы хотите улучшить точность цикла тренда, выберите дополнительные начальные значения.

Перетащите маркер заполнения в нужном направлении, увеличив значения или уменьшив значения.

Использование функции ПРЕДСКАЗ Функция ПРЕДСКАЗ вычисляет или прогнозирует будущее значение с использованием существующих значений. Предсказываемое значение — это значение y, соответствующее заданному значению x. Значения x и y известны; новое значение предсказывается с использованием линейной регрессии. Эту функцию можно использовать для предсказания будущих продаж, потребностей в запасах и тенденций потребителей.

Использование функции тенденция или функции роста Функции тенденция и рост могут вырезки будущих значений y, которые расширяют прямую линию или экспоненциальную кривую, которая лучше описывает существующие данные. Кроме того, они могут возвращать только значения yпо известным значениям xдля наилучшего размера линии или кривой. Чтобы отобразить линию или кривую, описывающую существующие данные, используйте существующие значения xи y, возвращаемые функцией тенденция или рост.

Использование функции ЛИНЕЙН или функции ЛИНЕЙН Для вычисления прямой линии или экспоненциальной кривой с существующими данными можно использовать функцию ЛИНЕЙН или ЛИНЕЙН. Функция ЛИНЕЙН и функция ЛИНЕЙН возвращают различные статистические данные по регрессии, в том числе наклон и перехват линии наилучшего размера.

В следующей таблице приведены ссылки на дополнительные сведения об этих функциях листа.

Прогнозирование продаж в Excel с учетом сезонности

В прошлой статье мы уже разобрали, что такое временной ряд и функцию тренда. Теперь подробнее разберемся с терминологией и остановимся на одной из моделей временного ряда.

Из чего состоит временной ряд

Уровни временного ряда (Yt) представляют из себя сумму двух компонент:

  1. Регулярную составляющую
  2. Случайную составляющую

В свою очередь регулярная составляющая состоит из:

  1. Тренда
  2. Сезонности
  3. Циклической составляющей

Однако, в модели необязательно наличие всех этих компонент сразу.

Случайная компонента отражает влияние случайных возмущений на модель, которые по отдельности имеют незначительное воздействие, но суммарно их влияние ощущается.

То есть, в общем случае временной ряд представляет из себя наличие четырех составляющих:

  1. Тренд (Tt)
  2. Сезонность (St)
  3. Цикличность (Ct)
  4. Случайные возмущения (Et)
Читать еще:  Формула двссыл в excel

Циклическая компонента, по сравнению с сезонностью, имеет более длительный эффект и меняется от цикла к циклу. Поэтому, ее обычно объединяют с трендом.

Виды моделей временного ряда

Обычно, выделяют две модели временного ряда и третью — смешанную.

    Аддитивная модель

Мультипликативная модель

Смешанная модель

При выборе необходимой модели временного ряда смотрят на амплитуду колебаний сезонной составляющей. Если ее колебания относительно постоянны, то выбирают аддитивную модель. То есть, амплитуда колебаний примерно одинакова:

Если амплитуда сезонных колебаний возрастает или уменьшается, строят мультипликативную модель временного ряда, которая ставит уровни ряда в зависимость от значений сезонной компоненты.

Построение этих моделей сводится к расчету тренда (Tt), сезонности (St) и случайных возмущений (Et) для каждого уровня ряда (Yt).

Алгоритм построения модели

  1. Выравниваем ряд с помощью скользящей средней, то есть сглаживаем ряд и отфильтровываем высокочастотные колебания.
  2. Рассчитываем значение сезонной компоненты St.
  3. Рассчитываем значения Tt с использованием полученного уравнения тренда.
  4. Используя полученные значения St и Tt, находим прогнозные значения уровней временного ряда.
  5. Оцениваем качество модели.

Реализация на практике

Итак, мы имеем на руках данные о продажах за 2016 и 2017 год и хотим спрогнозировать продажи на 2018 год.

Шаг 1

Следуя нашему алгоритму, мы должны сгладить временной ряд. Воспользуемся методом скользящей средней. Видим, что в каждом году есть большие пики (май-июнь 2016 и апрель 2017), поэтому возьмем период сглаживания пошире, например, месячную динамику, т.е. 12 месяцев.

Удобнее брать период сглаживания в виде нечетного числа, тогда формула для расчета уровней сглаженного ряда:

yi — фактическое значение i-го уровня ряда,

yt — значение скользящей средней в момент времени t,

2p+1 — длина интервала сглаживания.

Но так как мы решили использовать месячную динамику в виде четного числа 12, то данная формула нам не подойдет и мы воспользуемся этой:

Иными словами, мы учитываем половины от крайних уровней ряда в диапазоне, в остальном формула не претерпела больше никаких изменений. Вот ее точный вид для нашей задачи:

Сглаживаем наши уровни ряда и растягиваем формулу вниз:

Сразу можем построить график из известных значений уровня продаж и их сглаженной. Выведем ее уравнение и значение коэффициента детерминации R^2:

В качестве сглаженной я выбрала полином третьей степени, так как он лучше всего описывал уровни временного ряда и имел наибольший R^2.

Шаг 2

Так как мы рассматриваем аддитивную модель вида:

Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда и значениями скользящей средней St+Et = Yt-Tt, так как Yt и Tt мы уже знаем.

Используем оценки сезонной компоненты (St+Et) для расчета значений сезонной компоненты St. Для этого найдем средние за каждый интервал (по всем годам) оценки сезонной компоненты St.

Средняя оценка сезонной компоненты находится как сумма по столбцу, деленная на количество заполненных строк в этом столбце. В нашем случае оценки сезонной составляющей расположились в строках без пересечений, поэтому сумма по столбцам состоит из одиночных значений, следовательно и среднее будет таким же. Если бы мы располагали периодом побольше, например с 2015, у нас бы добавилась еще одна строка и мы смогли бы полноценно найти среднее, поделив сумму на 2.

В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимопогашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем интервалам должна быть равна нулю. Поэтому найдя значение случайной составляющей, поделив сумму средних оценок сезонной составляющей на 12, мы вычитаем ее значение из каждой средней оценки и получаем скорректированную сезонную компоненту, St.

Далее, заполняем нашу таблицу значениями сезонной составляющей дублируя ряд каждые 12 месяцев, то есть три раза:

Шаг 3

Теперь рассчитываем значения уровня тренда T(t) по тому уравнению, которое мы получили при построении сглаженного тренда на первом шаге.

T(t) = — 23294 + 34114 * t — 1593 *t^2 + 26,3 *t^3

Вместо t используем значения из столбца Период из соответствующей строки.

Шаг 4

Имея рассчитанные значения S(t) и T(t) мы можем рассчитать прогнозные значения уровней ряда Y(t). Для этого накладываем уровни сезонности на тренд.

Теперь построим график известных значений Y(t) и спрогнозированных за 2018 год.

Вот мы и нашли спрогнозированные значения уровней продаж на 2018 год. Значения отражают возрастающую тенденцию и сезонные пики. Конечно, эти данные не дают 100% точности, ведь существует множество внешних воздействий, которые могут изменить направление тренда, поэтому к прогнозным значениям обычно строят доверительный интервал, это такой коридор, внутри которого могут колебаться прогнозные значения с заданной вероятностью (чаще всего выбирают 95%). Но об этом я расскажу в следующей статье.

Шаг 5

Осталось оценить точность модели. Для этого будем использовать среднюю ошибку аппроксимации, которая поможет рассчитать ошибку в относительном выражении. Иными словами, это среднее отклонение расчетных значений от фактических, которое вычисляется по формуле:

yi — спрогнозированные уровни ряда,

yi* — фактические уровни ряда,

n — количество складываемых элементов.

Модель может считаться адекватной, если:

Итак, рассчитываем ошибку аппроксимации для нашего случая. Так как в основе нашего тренда лежит полином третьей степени, прогнозные значения начинают хорошо повторять фактические значения к концу 2016 года, думаю, я думаю, поэтому корректнее было бы рассчитать ошибку аппроксимации для значений 2017 года.

Сложив весь столбец с ошибками аппроксимации и поделив на 12, получаем среднюю ошибку аппроксимации 4,13%. Это значение меньше 15% и можем сделать вывод об адекватности модели.

Не забывайте, что прогнозы не бывают точными на 100%. Любые неожиданные внешние воздействия могут развернуть значения уровней ряда в неизвестном направлении 🙂

Анализ данных для моделирования временных рядов с использованием надстройки Excel «Пакет анализа»

Сведения о табличном процессоре Excel XP. Особенности работы с формулами и функциями, система адресации. Элементы интерфейса и направления применения надстройки «Пакет анализа». Статистический анализ временных рядов и использование «Мастера диаграмм».

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

к проведению занятия по курсу «Автоматизация управления предпринимательской деятельностью»

Составил доцент кафедры А.В. Гармашов

Работа: Анализ данных для моделирования временных рядов с использованием надстройки Excel Пакет анализа.

Цель работы: научиться проводить анализ экономических процессов с помощью табличного процессора Excel XP.

1. Основные сведения о табличном процессоре Excel XP.

2. Работа с формулами и функциями. Система адресации.

3. Надстройка «Пакет анализа».

4. Статистический анализ временных рядов.

5. Использование Мастера диаграмм.

1. Требования к исходной информации.

2. Этапы построения прогноза по временным рядам.

3. В чем заключается предварительный анализ данных?

4. Что такое модели кривых роста?

Читать еще:  Поле имени в excel

5. Какие виды кривых роста наиболее часто используются при анализе временных рядов?

6. Как оценить качество построенных моделей?

7. Как произвести установку надстройки «Пакет анализа»?

8. Перечислите основные элементы интерфейса надстройки «Пакет анализа».

9. Какие системы адресации используются при работе с надстройкой «Пакет анализа»?

10. Охарактеризуйте основные направления применения надстройки «Пакет анализа».

При решении задач рекомендуется использовать стандартную офисную программу Excel. Пакет анализа в Excel — это надстройка, которая предоставляет широкие возможности для проведения статистического анализа.

еxcel надстройка пакет анализ диаграмма

Установка Пакета анализа


1) выбрать команду Сервис =>Надстройки;


2) в диалоговом окне Надстройки (рис. 1) установить флажок Пакет анализа, а затем нажать кнопку ОК;


3) выбрать команду Сервис =>Анализ данных.


4) Если в меню отсутствует команда Анализ данных, то необходимо выполнить установку Пакета анализа с компакт-диска Excel. После этого в нижней части меню Сервис появится новая команда Анализ данных, которая предоставляет доступ к средствам анализа.


5) Для активизации надстройки Пакет анализа следует установить соответствующий флажок.


Рис. 1. Установка Пакета анализа.

Один из способов проверки обнаружения тренда основан на сравнении средних уровней ряда: временной ряд разбивают на две примерно равные по числу уровней части, каждая из которых рассматривается как некоторая самостоятельная выборочная совокупность, имеющая нормальное распределение. Если временной ряд имеет тенденцию к тренду, то средние, вычисленные для каждой совокупности, должны существенно (значимо) различаться между собой. Если же расхождение незначительно, несущественно (случайно), то временной ряд не имеет тенденции. Таким образом, проверка наличия тренда в исследуемом ряду сводится к проверке гипотезы о равенстве средних двух нормально распределенных совокупностей.

Определим наличие основной тенденции (тренда) по данным табл. 1 (рис. 2).

Урожайность ячменя в одной из областей Среднего Поволжья, ц/га

Анализ временных рядов и прогнозирование в Excel

Автор работы: Пользователь скрыл имя, 22 Февраля 2013 в 12:40, контрольная работа

Описание

Временной ряд — это последовательность измерений в последовательные моменты времени. Анализ временных рядов включает широкий спектр разведочных процедур и исследовательских методов, которые ставят две основные цели:
(a) определение природы временного ряда;
(b) прогнозирование (предсказание будущих значений временного ряда по настоящим и прошлым значениям). Обе эти цели требуют, чтобы модель ряда была идентифицирована и, более или менее, формально описана. Как только модель определена, вы можете с ее помощью интерпретировать рассматриваемые данные (например, использовать в вашей теории для понимания сезонного изменения цен на товары, если занимаетесь экономикой). Не обращая внимания на глубину понимания и справедливость теории, вы можете экстраполировать затем ряд на основе найденной модели, т.е. предсказать его будущие значения.

Содержание

Введение. 3
1. Прогнозы с применением метода скользящего среднего. 5
2. Прогнозы с применением функций регрессии. 9
3. Прогноз с помощью функции экспоненциального сглаживания. 14
4. Аддитивная и мультипликативная модели. 21
5. Заключение. 32

Работа состоит из 1 файл

прогнозирование1.doc

Потребность в работниках, заявленная в службы занятости за месяц

Экспоненциальное сглаживание (фактор затухания 0,1)

Экспоненциальное сглаживание (фактор затухания 0,4)

Итак, экспоненциальное сглаживание с фактором затухания 0,1 лучше всего аппроксимирует исходные данные, и прогноз, построенный на основе этих данных, является наиболее достоверным. Таким образом, можно сказать, что в первый месяц 2011 года следует ожидать уменьшение потребности в работниках, а во второй — увеличение. То есть, потребность в работниках на основании данных таблицы 3 за январь 2011 года, спрогнозированная с помощью функции экспоненциального сглаживания составит 3824,46 чел., а на февраль – 3940,75 чел.

Дополнительное задание 1. В таблице приведены данные по годовому объему продаж моторного масла компании в одной из стран:

Годовой объем продаж (млн. долл. США)

Прогнозы с помощью изученных нами методов представлены в таблице 5:

Годовой объем продаж (млн. долл. США)

Скользящее среднее за 3 мес.

Экспоненциальное сглаживание (фактор затухания 0,4 )

При экспоненциальном сглаживании в рассматриваемом примере наилучший прогноз получается при факторе затухания (1-α) = 0,4 со средней погрешностью = 35,58, который лучше всего аппроксимирует исходные данные. Сравнение погрешностей при различных факторах затухания представлено в таблице 6:

Расчетные данные представим графически на рисунках 4, 5:

Как видно из таблицы 5, прогноз, выполненный с использованием функции ТЕНДЕНЦИЯ, имеет наименьшую среднюю погрешность (19,57), следовательно, более достоверен, чем остальные методы прогноза. На основании данных прогнозов можно сделать вывод об увеличении годового объема продаж моторного масла в 2012 и 2013 годах.

4. Аддитивная и мультипликативная модели

В таблице приведены данные по объёму продаж мазута компании АПИ в странах Восточной Европы в период с 2000 по 2003 гг. (данные условные, приведены в тыс. баррелей за каждый четырехмесячный период года.):

Объем продаж мазута (тыс. баррелей)

Проведите графический анализ, выберите наиболее подходящий вид тренда и сезонной модели и спрогнозируйте объем продаж на 2004 год. Результаты прогнозирования представьте также и в графичес кой форме.

Для начала построим график 6 отражающий объем продаж мазута:

Среди рассмотренных трендов наиболее выгодным является полиномиальная (2 порядка), т.к. величина достоверности аппроксимации для него наибольшая R 2 = 0,1529 (табл.8). Уравнение данного тренда выглядит следующим образом:

Для прогнозирования воспользуемся двумя моделями: аддитивная и мультипликативная сезонность на основе метода наименьших квадратов. Использование данных моделей представлено в таблице 9.

Построение аддитивного прогноза объема продаж мазута происходило с использованием следующих формул:

где – аддитивный прогноз объема продаж мазута за i-тый период;

– фактический объем продаж мазута за i-тый период;

– среднее значение сезонности;

n – номер периода.

Построение мультипликативного прогноза объема продаж мазута происходило с использование следующих формул:

где — средний индекс сезонности за период t;

– индекс сезонности за период t.

Ошибка аппроксимации была рассчитана по следующей формуле:

где — объём продаж мазута за период t

— прогнозное значение по аддитивной (мультипликативной) сезонности

Данные модели представлены в следующей таблице:

Объем продаж мазута (тыс. баррелей)

прогнозный объем продаж мазута (тыс. баррелей)

среднее значение сезонности

прогнозное значение по аддитивной модели, тыс.баррелей

средний индекс сезонности

прогнозное значение по мультипликативной модели, тыс.баррелей

Графическое изображение прогнозного значения объема продаж мазута по аддитивной и мультипликативной моделям представлено на рисунке:

Таким образом, исходя из проведённых расчётов, можно сделать вывод, что прогноз, построенный на основе модели аддитивной сезонности, является более достоверным (ошибка аппроксимации: 1,72% следующий год с учетом сезонной компоненты. Используйте приемы построения тренда методом наименьших квадратов (МНК) и методом скользящей средней, рассмотрите мультипликативную и аддитивную сезонности (всего 4 модели). Определите, какая модель наиболее точно описывает реальные данные (например, рассчитав ошибку аппроксимации или какой-либо другой критерий). Результаты прогнозирования представьте также и в графической форме.

Потребность в работниках была разбита на 3 квартала в каждом исследуемом году. Данное деление делалось на основе визуального анализа ряда, с учетом возможно имеющейся сезонности.

Для построения моделей прогнозов был выбран полиномиальный тренд с величиной достоверности аппроксимации R 2 = 0,483.

Ссылка на основную публикацию
Adblock
detector