FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS
|
|
- Teodor Dariusz Król
- 4 lat temu
- Przeglądów:
Transkrypt
1 FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Sein., Oeconomica 2014, 313(76)3, Maria Szmuksa-Zawadzka, Jan Zawadzki MODELE WYRÓWNYWANIA WYKŁADNICZEGO W PROGNOZOWANIU ZMIENNYCH EKONOMICZNYCH ZE ZŁOŻONĄ SEZONOWOŚCIĄ EXPONENTIAL SMOOTHING MODELS IN FORECASTING OF ECONOMIC VARIABLES WITH COMPLEX SEASONALITY Sudium Maemayki, Zachodniopomorski Uniwersye Technologiczny w Szczecinie al. Piasów 48, Szczecin, Maria.Szmuksa-Zawadzka@zu.edu.pl Kaedra Zasosowań Maemayki w Ekonomii, Zachodniopomorski Uniwersye Technologiczny w Szczecinie ul. Klemensa Janickiego 31, Szczecin, jan.zawadzki@zu.edu.pl Summary. In he paper will be proposed applicaion of exponenial smoohing models in forecasing variables wih complex seasonaliy, based on high-frequency ime series, from which seasonal flucuaions were eliminaed. Theoreical consideraions will be illusraed by an empirical example. Słowa kluczowe: dane oczyszczone z sezonowości, modele adapacyjne, prognozowanie, złożona sezonowość. Key words: complex seasonaliy, exponenial smoohing models, forecasing, seasonal adjused daa. WSTĘP W modelowaniu i prognozowaniu na podsawie szeregów czasowych o wysokiej częsoliwości obserwowania wykorzysane są m.in. klasyczne modele szeregu czasowego ze złożoną sezonowością. W modelach ych wahania składowe opisywane są za pomocą zmiennych zero-jedynkowych lub wielomianów rygonomerycznych. Addyywny model szeregu czasowego z liniowym rendem i sałymi wahaniami sezonowymi dla danych dziennych, uwzględniający wahania złożone o cyklu 12-miesięcznym (rocznym) i ygodniowym (7-dniowym), opisane za pomocą zmiennych zero-jedynkowych przyjmuje posać (por. np. Kufel 2010, Szmuksa-Zawadzka i Zawadzki 2011): 12 7 = 1 + α 0 + b0i M i + i = 1 j = 1 Y α c D + U (1) przy warunkach: i = 0 j = i = 1 j = 1 0 j j b c 0 (2) M i miesiąc, D j dzień ygodnia, U składnik losowy.
2 138 M. Szmuksa-Zawadzka i J. Zawadzki Model (1) jes szczególnym przypadkiem modelu z asocjacją zmiennych zero-jedynkowych (por. Wiśniewski 1986). Wahania o wymienionych wyżej długościach cykli mogą być opisane akże za pomocą wielomianów rygonomerycznych zawierających składowe harmoniczne sinuso- i cosinusoidalne. Liczba harmonik będących sumą składowych sinuso- i cosinusoidalnych dla wahań o cyklu rocznym wynosi 6, zn. równa jes połowie długości cyklu. W przypadku wahań o cyklu 7-dniowym jes ona równa połowie pomniejszonej o jedną długość ego cyklu wynosi zaem 3. Model harmoniczny ze złożoną sezonowością i z liniowym rendem można zapisać nasępująco (Szmuksa-Zawadzka i Zawadzki 2011): 6 ( a0 i sinωi m + b0 i cosωi m) + ( a0 j sinωj + b0 j ωj) U Y = α 1 + α0 + cos + (3) i = 1 3 j= 1 m = 1, 2,,12,, 12r, (r oznacza numer roku), = 1, 2,,7,, n. W modelu (3) wysępują dwie zmienne oznaczające czas, przy czym zmienna m ma charaker pomocniczy i odnosi się do kolejnych miesięcy. Takie jej zdefiniowanie sprawia, że isnieje równoważność modelu z wielomianem rygonomerycznym (3) i modelu ze zmiennymi zero- -jedynkowymi (1). W prognozowaniu zmiennych ze złożoną sezonowością wykorzysuje się akże modele hierarchiczne (por. np. Szmuksa-Zawadzka i Zawadzki 2012) oraz modele hybrydowe, w kórych składowe sezonowe opisywane są za pomocą dwóch różnych rodzajów modeli (Szmuksa- -Zawadzka i Zawadzki 2014). W lieraurze z obszaru saysyki i ekonomerii można spokać wiele przykładów zasosowania modeli adapacyjnych do modelowania i prognozowania zjawisk, w kórych wysępuje jeden rodzaj wahań (np.: miesięczne, dekadowe). W pracy (Szmuksa-Zawadzka i Zawadzki 2012 a) dokonano syneycznego przeglądu publikacji, ze szczególnym uwzględnieniem prac poświeconych prognozowaniu brakujących danych. Przedsawiono w niej akże dla wybranej zmiennej wyniki oraz analizę porównawczą dokładności prognoz orzymanych różnymi meodami. Dla danych nieoczyszczonych (z sezonowością) najczęściej wykorzysywane były modele Hola-Winersa (addyywny i muliplikaywny). Naomias dla danych oczyszczonych z sezonowości meody wyrównywania wykładniczego: Browna (prosy, liniowy i kwadraowy) oraz liniowy model Hola, a akże meody numeryczne. Prognozy osaeczne, w zależności od sposobu eliminacji wahań, orzymuje się po przemnożeniu przez wskaźniki lub przez dodanie składników sezonowości. Prognozy dla danych oczyszczonych mogą być akże budowane jako sumy lub iloczyny warości rendów szacowanych KMNK i odpowiednio składników lub wskaźników sezonowości. Tego rodzaju posępowanie określane jes mianem meody wskaźnikowej lub meody wskaźników sezonowości (por. Zeliaś i in. 2003, s. 90, Dimann 2006, s. 85). Celem arykułu jes próba wykorzysania modeli adapacyjnych do modelowania i prognozowania zmiennej ze złożoną sezonowością dla danych dziennych, oczyszczonych z jednego lub dwóch rodzajów wahań sezonowych. Zakładać będziemy, że w szeregu czasowym dla
3 Modele wyrównywania wykładniczego w prognozowaniu zmiennych ekonomicznych 139 danych dziennych wysępują wahaniami o cyklu ygodniowym (7-dniowym) i rocznym (12- -miesięcznym). Egzemplifikacją rozważań eoreycznych będzie modelowanie i prognozowanie dziennej sprzedaży paliw płynnych na sacji benzynowej X. Kszałowanie się zmiennej w okresie esymacyjnym będzie obejmować okres blisko dwuleni. Naomias rzeci rok będzie okresem empirycznej weryfikacji prognoz. OPIS METOD W modelowaniu na podsawie danych w posaci szeregów czasowych, niezależnie od rodzaju modelu, wyróżnia się posać addyywną lub muliplikaywną. Podsawą rozróżnienia jes sposób nakładania się na siebie składowych szeregu czasowego. W pierwszym przypadku jes o suma, w drugim iloczyn. Ogólny zapis modelu addyywnego ze złożonymi wahaniami sezonowymi, oznaczonego symbolem (a), jes nasępujący: ( a ) ( a ( ) ( ) ) ( a Y ( ) ) a = P + M + D ( ) + V ( a ) (4) P (a) () rend, M (a) () składniki sezonowości o cyklu 12-miesięcznym, D (a) () składniki sezonowości o cyklu 7-dniowym, V (a) składnik losowy. Naomias posać ogólna modelu muliplikaywnego, oznaczonego symbolem (m), wyraża się wzorem: ( m ) ( m ( ) ( ) ) ( m Y ( ) ) m = P M D ( ) V ( m) (5) P (m) () rend, M (m) () wskaźniki sezonowości o cyklu 12-miesięcznym, D (m) () wskaźniki sezonowości o cyklu 7-dniowym, V (m) składnik losowy. Bezpośrednie wykorzysanie modeli Hola-Winersa nie jes możliwe, ponieważ wymagałoby wprowadzenia dodakowego, czwarego równania opisującego wahania o cyklu rocznym uwzględniającego różną długość miesięcy. Jak się wydaje, ze względów prakycznych, mogą wchodzić w grę m.in. modele Hola- -Winersa dla danych oczyszczonych, z kórych wyeliminowano wahania o cyklu rocznym ( Y ). Jeżeli eliminacji dokonano, odejmując składniki sezonowości (M (a) ()), o będzie o model w posaci addyywnej. W przypadku podzielenia warości zmiennej prognozowanej przez wskaźniki sezonowości (M (m) ()) będziemy mieć do czynienia z posacią muliplikaywną. Zapis modelu addyywnego Hola-Winersa (A_HW) jes nasępujący (Pawłowski 1973): m α Y c + α m (6) ( L ) ( 1 ) 1 ( m ) ( ) m 1 + β δ 1 1 ( Y m ) + ( ) C = 1 = β 1 δ (7) C = γ γ (8) 1 m 0 α, β, γ 1 (9)
4 140 M. Szmuksa-Zawadzka i J. Zawadzki m rend (operaor rzędu pierwszego), δ 1 przyros rendu, C składnik sezonowości. Predykor opary na ym modelu przyjmuje posać: Π = + δ h + C (10) A _ HW m h 0 okres wyjściowy budowy prognoz, h horyzon prognozy. Prognozę osaeczną, uwzględniającą wahania sezonowe, orzymuje się na podsawie predykora o posaci: Π A _ HW = Π A _ HW ( + M a ) ( ) (11) Model muliplikaywny Hola-Winersa (M_HW) można zapisać nasępująco: α Y m = + ( 1 α )( m ) + δ C m ( m ) ( ) m 1 + β δ = β 1 γy = + ( 1 γ ) C m m δ (13) C 0 α, β, γ 1. (15) Predykory: wyjściowy i końcowy, wyrażają się wzorami: Π = + δ h C (16) Π ( ) M _ HW m m+ h ( ) ( ) M m M _ HW = Π M _ HW (17) Naomias dane, z kórych wyeliminowano dodakowo akże wahania o cyklu ygodniowym (D (a) () lub D (m) ()) oznaczać będziemy przez Y. Do budowy prognoz na ich podsawie mogą być wykorzysane na przykład prose modele Browna i modele Hola. Równanie addyywnego prosego modelu Browna (A_BS) jes nasępujące: m α Y + α m (18) ( ) = α 1. (19) Predykory wyjściowy i końcowy przyjmują posać: Π = m (20) A _ BS 0 ( a ) ( ) ( a D ) ( ) Π A _ BS = Π A _ BS + M +. (21) Znaczenie poszczególnych symboli jes akie jak w modelach Hola-Winersa. W modelu muliplikaywnym równanie modelu prosego Browna (M_BS) różni się od posaci addyywnej jedynie sposobem wyznaczenia warości oczyszczonych ( Y ) są one ilorazami warości zmiennej prognozowanej i wskaźników sezonowości o cyklu rocznym i ygodniowym. Predykory wyjściowy i końcowy są nasępujące: Π = m (22) M _ BS 0 ( m ) ( ) ( m D ) ( ) Π M _ BS) = Π M _ BS M. (23) (12) (14)
5 Modele wyrównywania wykładniczego w prognozowaniu zmiennych ekonomicznych 141 Addyywny model liniowy Hola (A_H) można zapisać (Pawłowski 1973): + m α Y α m δ (24) ( )( ) = ( m m ) + ( β ) δ 1 = β δ (25) 0 α, β 1. (26) Predykory wyjściowy i końcowy wyrażają się wzorami: Π = m + h (27) A _ H δ ( a ) ( ) ( a D ) ( ) Π A _ H = Π A _ H + M +. (28) Równania posaci muliplikaywnej modelu Hola (M_H) różnią się, podobnie jak w przypadku modelu Browna, jedynie sposobem eliminacji wahań sezonowych. Posacie predykorów są nasępujące: Π = m + h (29) A _ H δ ( m ) ( ) ( m D ) ( ) Π M _ H = Π M _ H M. (30) Znaczenie poszczególnych symboli w zapisach modeli dla danych oczyszczonych z sezonowości, zapisanych za pomocą wzorów (18 30), jes akie same jak w modelach Hola-Winersa (wzory 6 17). PRZYKŁAD EMPIRYCZNY Ilusracją przedsawionych wyżej rozważań o charakerze eoreycznym, jak zaznaczono we wsępie, będzie przykład empiryczny doyczący modelowania i prognozowania dziennej sprzedaży paliw płynnych na sacji benzynowej X. Kszałowanie się zmiennej w okresie esymacyjnym obejmującym niepełne dwa laa (724 obserwacje od 7 sycznia pierwszego roku do 31 grudnia roku drugiego) zosało przedsawione na rysunku 1. Naomias rzeci rok będzie okresem empirycznej weryfikacji prognoz. hl dni Rys. 1. Wielkość sprzedaży paliw płynnych na sacji benzynowej X Źródło: Baza Danych Kaedry Zasosowań Maemayki w Ekonomii.
6 142 M. Szmuksa-Zawadzka i J. Zawadzki W abeli 1 zesawiono oceny wskaźników i składników sezonowości o cyklach 12-miesięcznym i 7-dniowym. Ich oszacowania zosaną wykorzysane najpierw do eliminacji wahań sezonowych, a nasępnie wyznaczenia prognoz końcowych. Tabela 1. Oceny wskaźników i składników sezonowości o cyklach 12-miesięcznym i 7-dniowym Dzień Wskaźniki sezonowe Składniki sezonowe Miesiąc Wskaźniki sezonowe Składniki sezonowe Poniedziałek 1, ,30 syczeń 0, ,19 Worek 1,015 71,09 luy 0, ,38 Środa 1, ,10 marzec 0, ,37 Czwarek 1, ,76 kwiecień 0,987 50,84 Piąek 1, ,12 maj 1, ,46 Soboa 0, ,90 czerwiec 1, ,36 Niedziela 0, ,46 lipiec 1, ,35 Źródło: opracowanie własne. sierpień 1, ,99 wrzesień 1, ,27 październik 1, ,72 lisopad 0, ,09 grudzień 0,971 37,28 Z informacji zawarych w abeli, odnoszących się do miesięcy, wynika, że wskaźniki sezonowości przyjmują warości powyżej jedności dla miesięcy od maja do października. Dla pozosałych miesięcy są one niższe od jedności. Maksimum sezonowe przypada w lipcu, a minimum sezonowe w luym. Ampliuda wahań wynosi 29,5%. Składniki sezonowości przyjmują warości dodanie w ych samych miesiącach, w kórych wskaźniki były większe od jedności. Naomias warości ujemne w ych miesiącach, w kórych były one mniejsze od jedności. Maksymalne dodanie odchylenie od rendu w przypadku lipca wynosi 713,35 l, a maksymalne ujemne przypada na luy i wynosi 1026,38 l. W przypadku dni ygodnia ocenami wskaźników sprzedaży paliw wyższymi od jedności charakeryzują się dni robocze od poniedziałku do piąku. Oceny niższe od jedności orzymano dla soboy i niedzieli. Maksymalną ocenę przyjął wskaźnik dla czwarku (1,108%), a minimalną dla soboy (0,828%). Ampliuda ocen wskaźników sezonowości wynosi zaem 27,9%. Składniki sezonowości przyjęły warości dodanie w ych samych dniach, w kórych wskaźniki były wyższe od jedności. Naomias warości ujemne w dniach o niższych od jedności ocenach wskaźników. Maksymalną ocenę wynoszącą 535,76 l składnik przyjmuje dla czwarków (535,76 l), a minimalną dla soboy ( 832,90 l). Zaem ampliuda ocen składników sezonowości wynosi 1368,66 l. Zamieszczone w abeli oceny wskaźników i składników sezonowości zosaną wykorzysane do eliminacji wahań sezonowych. Szeregi czasowe oczyszczone z wahań o cyklu rocznym ( Y ) posłużyły do budowy prognoz na podsawie modeli Hola-Winersa o posaciach muliplikaywnej i addyywnej. Naomias zmienna Y, z kórej wyeliminowano obydwa rodzaje wahań, będzie podsawą budowy prognoz na podsawie prosych modeli Browna i modeli Hola. W modelowaniu i prognozowaniu adapacyjnym zosały wykorzysane szeregi czasowe oczyszczone z sezonowości rocznej ( Y ) oraz z sezonowości rocznej i ygodniowej ( Y ).
7 Modele wyrównywania wykładniczego w prognozowaniu zmiennych ekonomicznych 143 W pierwszym przypadku były o modele Hola-Winersa w posaci addyywnej i muliplikaywnej, a w drugim modele: prosy Browna i Hola o ych samych posaciach. W abeli 2 zesawiono modele addyywne i muliplikaywne o opymalnych warościach sałych wygładzania. Modele e charakeryzowały się minimalnymi ocenami błędów względnych warości wyrównanych (WW) lub błędów prognoz ex pos (PROG) obliczonych dla okresu empirycznej weryfikacji prognoz dla horyzonu h = 348 dni. Analiza porównawcza dwóch rodzajów błędów pozwoli odpowiedzieć na pyanie: Czy orzymanie minimalnych ocen błędów warości wyrównanych gwaranuje uzyskanie najbardziej dokładnych prognoz?. Niższe z ocen danego rodzaju błędów wyróżnione zosały łusym drukiem. Tabela 2. Minimalne oceny średnich błędów względnych warości wyrównanych i prognoz ex pos oraz opymalne warości sałych wygładzania Model A_BS A_H A_HW Miernik doyczy Sałe wygładzania MAPE(%) α β γ WW PROG Modele addyywne WW 0,07 11,96 16,17 PROG 0,22 12,32 14,86 WW 0,1 0,1 14,03 123,8 PROG 0,03 0,08 25,09 13,29 WW 0,07 0,01 0,1 10,83 14,95 PROG 0,01 0,07 0,02 12,91 13,18 A_Kl. 14,59 13,09 M_BS M_H M_HW Modele muliplikaywne WW 0,04 15,76 16,66 PROG 0,38 17,32 12,14 WW 0,1 0,1 17,7 89,23 PROG 0,1 0,02 22,88 11,65 WW 0,06 0,01 0,01 10,88 12,21 PROG 0,06 0,01 0,03 12,07 11,41 M_Kl 16,08 12,70 współczynnik zmienności losowej. Źródło: opracowanie własne. Z informacji zawarych w abeli 2 wynika, że odpowiedź na posawione wyżej pyanie nie jes pozyywna. Oznacza o, że kryerium wyboru modelu dla celów prognozowania eksrapolacyjnego nie mogą być minimalne oceny błędów warości wyrównanych, lecz błędy prognoz ex pos. Modele orzymane dla minimalnych ocen obu mierników różnią się sałymi wygładzania, przy czym niekiedy różnice e są bardzo duże. Widoczne jes o przede wszyskim w przypadku modeli Hola, dla kórych kilkunasoprocenowym ocenom błędów warości wyrównanych odpowiadają wielokronie wyższe błędy prognoz ex pos, wynoszące dla posaci addyywnej i muliplikaywnej odpowiednio: 123,8% oraz 89,23%. Dla pozosałych modeli różnice między ocenami błędów nie przekraczają 5,18 p.p. Tabela zawiera ponado, zamieszczone w celach porównawczych, oceny współczynników zmienności losowej oraz błędy prognoz ex pos, orzymane dla modeli klasycznych: z liniowym rendem i sałymi składnikami sezonowymi o cyklu rocznym i ygodniowym (A_Kl) oraz z rendem wykładniczym o sałej sopie wzrosu i relaywnie sałych wahaniach sezonowych (M_Kl).
8 144 M. Szmuksa-Zawadzka i J. Zawadzki Z analizy opymalnych warości sałych wygładzania dla dwuparamerowych modeli Hola oraz rzyparamerowych modeli Hola-Winersa wynika, że wszyskie sałe wyrównywania przyjmują warości nieprzekraczające 0,1. Oznacza o, że najnowszym obserwacjom lub składowym nadawane są wagi nieprzekraczające 10%, a więc prognozowane zjawisko charakeryzuje się sosunkowo dużym sopniem inercji. Minimalną ocenę prognoz błędów warości wyrównanych (WW), wynoszącą 12,07%, orzymano dla predykaora oparego na muliplikaywnej posaci modelu Hola-Winersa (M_HW) o sałych wygładzania wynoszących odpowiednio: α = 0,06; β = 0,01 oraz γ = 0,01. Oceny błędów poniżej 13% orzymano akże dla posaci addyywnej prosego modelu Browna (A_BS) dla α = 0,22 oraz addyywnego modelu Hola-Winersa (A_HW) o sałych wyrównywania: α = 0,07, β = 0,01, γ = 0,10. Oceny błędów orzymane na podsawie wyżej wymienionych modeli są niższe od współczynnika zmienności losowej klasycznego modelu addyywnego (14,59%). Zwracają uwagę bardzo wysokie, przekraczające 22%, oceny błędów WW orzymane dla obu posaci modelu Hola. Z informacji zamieszczonych w abeli wynika, że najniższą ocenę błędu prognoz eksrapolacyjnych (PROG), wynoszącą 11,41%, orzymano, podobnie jak dla warości wyrównanych, dla predykora oparego na muliplikaywnej posaci modelu Hola-Winersa (M_HW), ale dla warości sałej wygładzania γ wynoszącej 0,03. Naomias dla danych z podwójnie wyeliminowaną sezonowością (Y ) najniższą ocenę błędu prognoz ex pos (11,65%) orzymano dla modelu muliplikaywnego Hola (M_H) ze sałymi wygładzania wynoszącymi odpowiednio: 0,10 i 0,02. Z abeli wynika akże, że oceny błędów prognoz eksrapolacyjnych (PROG) dla najlepszych modeli muliplikaywnych są od 4,4% do 10,2% niższe od średniego względnego błędu prognoz ego rodzaju prognoz, orzymanych na podsawie klasycznego modelu muliplikaywnego ze złożoną sezonowością (M_Kl), wynoszącego 12,70%. Dokładność prognoz dla modeli muliplikaywnych jes o około 1,5 3,0 p.p. wyższa od dokładności dla posaci addyywnej. Ocena błędu średniego prognoz orzymanego na podsawie predykaora oparego na modelu klasycznym jes wyższa od 0,09 p.p. do 1,77 p.p od ocen orzymanych dla addyywnych modeli wyrównywania wykładniczego. Na uwagę zasługuje akże orzymanie znacznie niższych, niż dla warości wyrównanych, ocen błędów prognoz eksrapolacyjnych orzymanych dla obu posaci modelu Hola. Oceny e są ylko nieznacznie wyższe od ocen orzymanych dla modeli najlepszych. PODSUMOWANIE Z przeprowadzonych w pracy badań wyprowadzić można nasępujące wnioski: 1. W przypadku modelowania i prognozowania zmiennych o niezby silnej dynamice opymalne warości sałych wygładzania w modelach Hola i Hola-Winersa przybierają warości bliskie zeru. 2. Kryerium wyboru modelu dla celów prognozowania nie mogą być przecięne błędy względne warości wyrównanych, lecz błędy względne prognoz ex pos.
9 Modele wyrównywania wykładniczego w prognozowaniu zmiennych ekonomicznych Wyższą dokładnością prognoz charakeryzowały się modele muliplikaywne. Spośród nich minimalną ocenę błędu orzymano dla modelu Hola-Winersa dla danych, z kórych wyeliminowano sezonowość roczną. 4. Błędy prognoz ex pos orzymanych na podsawie predykorów muliplikaywnych były od 4% do 10% niższe od błędów prognoz orzymanych na podsawie najlepszego modelu klasycznego. W oku badań wykazano, że modele wyrównywania wykładniczego dla danych oczyszczonych z sezonowości mogą być użyecznym narzędziem prognozowania zmiennych ekonomicznych ze złożoną sezonowością. PIŚMIENNICTWO Dimann P Prognozowanie w przedsiębiorswie. Meody i ich zasosowanie. Kraków Wolers Kluwer Polska. ISBN Kufel T Ekonomeryczna analiza cykliczności procesów gospodarczych o wysokiej częsoliwości obserwowania. Toruń. Wydaw. Nauk. Uniw. Mikołaja Kopernika. ISBN Pawłowski Z Prognozowanie ekonomeryczne. Warszawa. PWN. Szmuksa-Zawadzka M., Zawadzki J Zasosowanie modelowania ekonomerycznego w prognozowaniu brakujących danych w szeregach o wysokiej częsoliwości, w: Pr. Nauk. Uniw. Ekon. Wrocław. Ekonomeria 34, Szmuksa-Zawadzka M., Zawadzki J O meodzie prognozowania brakujących danych w dziennych szeregach czasowych z lukami sysemaycznymi, w: meody ilościowe w badaniach ekonomicznych (Quaniaive Mehods in Economics). T. 13, Szmuksa-Zawadzka M., Zawadzki J a. Z badań nad meodami prognozowania na podsawie niekomplenych szeregów czasowych z wahaniami okresowymi (sezonowymi), w: Prz. Sa. nr spec. 1. Warszawa, Szmuksa-Zawadzka M., Zawadzki J Wykorzysanie modeli hybrydowych w prognozowaniu brakujących danych w szeregach ze złożoną okresowością (sezonowością), w: Maemayka i informayka na usługach ekonomii: rozważania ogólne. Red. W. Jurek. Poznań. Wydaw. Uniw. Ekon. Poznań, ISBN Wiśniewski J Ekonomeryczne badanie zjawisk jakościowych. Sudium meodologiczne. Toruń. Uniw. Mikołaja Kopernika. ISBN Zeliaś A., Pawełek B., Wana S. 2003, Prognozowanie ekonomiczne. Teoria. Przykłady. Zadania. Warszawa. PWN. ISBN
10
ZASTOSOWANIE WYBRANYCH MODELI ADAPTACYJNYCH W PROGNOZOWANIU BRAKUJĄCYCH DANYCH W SZEREGACH ZE ZŁOŻONĄ SEZONOWOŚCIĄ DLA LUK NIESYSTEMATYCZNYCH
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XV/4, 214, sr. 181 194 ZASTOSOWANIE WYBRANYCH MODELI ADAPTACYJNYCH W PROGNOZOWANIU BRAKUJĄCYCH DANYCH W SZEREGACH ZE ZŁOŻONĄ SEZONOWOŚCIĄ DLA LUK NIESYSTEMATYCZNYCH
Bardziej szczegółowoPROGNOZOWANIE BRAKUJĄCYCH DANYCH DLA SZEREGÓW O WYSOKIEJ CZĘSTOTLIWOŚCI OCZYSZCZONYCH Z SEZONOWOŚCI
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-8611 Nr 289 2016 Maria Szmuksa-Zawadzka Zachodniopomorski Uniwersye Technologiczny w Szczecinie Sudium Maemayki Jan Zawadzki
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA
1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2015, 323(81)4,
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Sein., Oeconomica 205, 323(8)4, 25 32 Joanna PERZYŃSKA WYBRANE MIERNIKI TRAFNOŚCI PROGNOZ EX POST W WYZNACZANIU PROGNOZ
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie
Bardziej szczegółowoPROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński
Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne
Bardziej szczegółowoANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1
ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1
PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny
Bardziej szczegółowoPrognozowanie średniego miesięcznego kursu kupna USD
Prognozowanie średniego miesięcznego kursu kupna USD Kaarzyna Halicka Poliechnika Białosocka, Wydział Zarządzania, Kaedra Informayki Gospodarczej i Logisyki, e-mail: k.halicka@pb.edu.pl Jusyna Godlewska
Bardziej szczegółowoPROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Barbara Baóg Iwona Foryś PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH Wsęp Koszy dosarczenia wody
Bardziej szczegółowoPolitechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych
Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II
Bardziej szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )
Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa
Bardziej szczegółowoMODELE HARMONICZNE ZE ZŁOŻONĄ SEZONOWOŚCIĄ W PROGNOZOWANIU SZEREGÓW CZASOWYCH Z LUKAMI SYSTEMATYCZNYMI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIV/3, 2013, str. 81 90 MODELE HARMONICZNE ZE ZŁOŻONĄ SEZONOWOŚCIĄ W PROGNOZOWANIU SZEREGÓW CZASOWYCH Z LUKAMI SYSTEMATYCZNYMI Maria Szmuksta Zawadzka, Jan
Bardziej szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
Bardziej szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych do prognozowania szeregów czasowych
dr Joanna Perzyńska adiunk w Kaedrze Zasosowań Maemayki w Ekonomii Wydział Ekonomiczny Zachodniopomorski Uniwersye Technologiczny w Szczecinie Zasosowanie szucznych sieci neuronowych do prognozowania szeregów
Bardziej szczegółowoStudia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 29 205 Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowoC d u. Po podstawieniu prądu z pierwszego równania do równania drugiego i uporządkowaniu składników lewej strony uzyskuje się:
Zadanie. Obliczyć przebieg napięcia na pojemności C w sanie przejściowym przebiegającym przy nasępującej sekwencji działania łączników: ) łączniki Si S są oware dla < 0, ) łącznik S zamyka się w chwili
Bardziej szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
Bardziej szczegółowoMetody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?
Meody prognozowania: Szeregi czasowe Dr inż. Sebasian Skoczypiec ver. 11.20.2009 Co o jes szereg czasowy? Szereg czasowy: uporządkowany zbiór warości badanej cechy lub warości określonego zjawiska, zaobserwowanych
Bardziej szczegółowoOcena efektywności procedury Congruent Specyfication dla małych prób
243 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Ocena efekywności procedury Congruen Specyficaion dla małych prób Sreszczenie. Procedura specyfikacji
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2018, 346(92)3, 81 96
DOI: 10.21005/oe.2018.92.3.07 FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2018, 346(92)3, 81 96 Jan ZAWADZKI MODELE HYBRYDOWE W PROGNOZOWANIU
Bardziej szczegółowoE k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny
E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,
Bardziej szczegółowoPrognozowanie i symulacje
Prognozowanie i smulacje Lepiej znać prawdę niedokładnie, niż dokładnie się mlić. J. M. Kenes dr Iwona Kowalska ikowalska@wz.uw.edu.pl Prognozowanie meod naiwne i średnie ruchome Meod naiwne poziom bez
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoWAHANIA NATĘśEŃ RUCHU DROGOWEGO NA SIECI DRÓG MIEJSKICH
dr hab. inŝ. Kazimierz Kłosek Prof. nzw. Poliechniki Śląskiej, Kierownik Kaedry Dróg i Mosów dr inŝ. Anna Olma Wydział Budownicwa Poliechniki Śląskiej Gliwice, Polska WAHANIA NATĘśEŃ RUCHU DROGOWEGO NA
Bardziej szczegółowoJacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.
DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury
Bardziej szczegółowoEwa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 7 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoψ przedstawia zależność
Ruch falowy 4-4 Ruch falowy Ruch falowy polega na rozchodzeniu się zaburzenia (odkszałcenia) w ośrodku sprężysym Wielkość zaburzenia jes, podobnie jak w przypadku drgań, funkcją czasu () Zaburzenie rozchodzi
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODEE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Joanna Małgorzaa andmesser Szkoła Główna
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2010, Oeconomica 280 (59), 77 86
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2010, Oeconomica 280 (59, 77 86 Maciej Oesterreich WYKORZYSTANIE METOD NUMERYCZNYCH W PROGNOZOWANIU BRAKUJĄCYCH
Bardziej szczegółowoDYNAMIKA KONSTRUKCJI
10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej
Bardziej szczegółowoEkonometryczna analiza popytu na wodę
Jacek Batóg Uniwersytet Szczeciński Ekonometryczna analiza popytu na wodę Jednym z czynników niezbędnych dla funkcjonowania gospodarstw domowych oraz realizacji wielu procesów technologicznych jest woda.
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Gdański Zasosowanie modelu
Bardziej szczegółowoElżbieta Szulc Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie zależności między przestrzennoczasowymi procesami ekonomicznymi
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyk Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoĆwiczenie 5 PROGNOZOWANIE
Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
Bardziej szczegółowoESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków
Bardziej szczegółowoEKONOMETRIA ECONOMETRICS 1(55) 2017 ISSN e-issn
EKONOMETRIA ECONOMETRICS 1(55) 2017 ISSN 1507-3866 e-issn 2449-9994 Maciej Oesterreich Zachodniopomosrki Uniwersytet Technologiczny w Szczecinie e-mail: maciej.oesterreich@zut.edu.pl SYMULACYJNE BADANIE
Bardziej szczegółowoCopyright by Politechnika Białostocka, Białystok 2017
Recenzenci: dr hab. Sanisław Łobejko, prof. SGH prof. dr hab. Doroa Wikowska Redakor naukowy: Joanicjusz Nazarko Auorzy: Ewa Chodakowska Kaarzyna Halicka Arkadiusz Jurczuk Joanicjusz Nazarko Redakor wydawnicwa:
Bardziej szczegółowoMetody badania wpływu zmian kursu walutowego na wskaźnik inflacji
Agnieszka Przybylska-Mazur * Meody badania wpływu zmian kursu waluowego na wskaźnik inflacji Wsęp Do oceny łącznego efeku przenoszenia zmian czynników zewnęrznych, akich jak zmiany cen zewnęrznych (szoki
Bardziej szczegółowoEkonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006
Modele dynamiczne Paweł Cibis pcibis@o2.pl 27 kwietnia 2006 1 Wyodrębnianie tendencji rozwojowej 2 Etap I Wyodrębnienie tendencji rozwojowej Etap II Uwolnienie wyrazów szeregu empirycznego od trendu Etap
Bardziej szczegółowoPROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM
PROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM prof. dr hab. Paweł Dimann 1 Znaczenie prognoz w zarządzaniu firmą Zarządzanie firmą jes nieusannym procesem podejmowania decyzji, kóry może być zdefiniowany
Bardziej szczegółowoRobert Kubicki, Magdalena Kulbaczewska Modelowanie i prognozowanie wielkości ruchu turystycznego w Polsce
Robert Kubicki, Magdalena Kulbaczewska Modelowanie i prognozowanie wielkości ruchu turystycznego w Polsce Ekonomiczne Problemy Turystyki nr 3 (27), 57-70 2014 ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO
Bardziej szczegółowo2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)
Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza
Bardziej szczegółowoPUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Chrisian Lis PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010 Wprowadzenie Przedmioem
Bardziej szczegółowoMARIA SZMUKSTA-ZAWADZKA, JAN ZAWADZKI
PRZEGLĄD STATYSTYCZNY NUMER SPECJALNY 1 2012 MARIA SZMUKSTA-ZAWADZKA, JAN ZAWADZKI Z BADAŃ NAD METODAMI PROGNOZOWANIA NA PODSTAWIE NIEKOMPLENTYCH SZERGÓW CZASOWYCH Z WAHANIAMI OKRESOWYMI (SEZONOWYMI) 1.
Bardziej szczegółowoANALIZA SZEREGU CZASOWEGO CEN ŻYWCA BROJLERÓW W LATACH
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/1, 2012, sr. 224 233 ANALIZA SZEREGU CZASOWEGO CEN ŻYWCA BROJLERÓW W LATACH 1991-2011 Kaarzyna Unik-Banaś Kaedra Zarządzania i Markeingu w Agrobiznesie
Bardziej szczegółowoStrukturalne podejście w prognozowaniu produktu krajowego brutto w ujęciu regionalnym
Jacek Baóg Uniwersye Szczeciński Srukuralne podejście w prognozowaniu produku krajowego bruo w ujęciu regionalnym Znajomość poziomu i dynamiki produku krajowego bruo wyworzonego w poszczególnych regionach
Bardziej szczegółowoCałka nieoznaczona Andrzej Musielak Str 1. Całka nieoznaczona
Całka nieoznaczona Andrzej Musielak Sr Całka nieoznaczona Całkowanie o operacja odwrona do liczenia pochodnych, zn.: f()d = F () F () = f() Z definicji oraz z abeli pochodnych funkcji elemenarnych od razu
Bardziej szczegółowoParytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD
Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)
Bardziej szczegółowoRównania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.
Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoSzeregi Fouriera. Powyższe współczynniki można wyznaczyć analitycznie z następujących zależności:
Trygonomeryczny szereg Fouriera Szeregi Fouriera Każdy okresowy sygnał x() o pulsacji podsawowej ω, spełniający warunki Dirichlea:. całkowalny w okresie: gdzie T jes okresem funkcji x(), 2. posiadający
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoWyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH
Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu Wyzwania prakyczne w modelowaniu wielowymiarowych procesów GARCH Wsęp Od zaproponowania przez Engla w 1982 roku jednowymiarowego modelu klasy ARCH, modele
Bardziej szczegółowo4.2. Obliczanie przewodów grzejnych metodą dopuszczalnego obciążenia powierzchniowego
4.. Obliczanie przewodów grzejnych meodą dopuszczalnego obciążenia powierzchniowego Meodą częściej sosowaną w prakyce projekowej niż poprzednia, jes meoda dopuszczalnego obciążenia powierzchniowego. W
Bardziej szczegółowoPorównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz
233 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Porównanie jakości nieliniowych modeli ekonomerycznych na podsawie esów rafności prognoz Sreszczenie.
Bardziej szczegółowoWYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH
SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów
Bardziej szczegółowoDobór przekroju żyły powrotnej w kablach elektroenergetycznych
Dobór przekroju żyły powronej w kablach elekroenergeycznych Franciszek pyra, ZPBE Energopomiar Elekryka, Gliwice Marian Urbańczyk, Insyu Fizyki Poliechnika Śląska, Gliwice. Wsęp Zagadnienie poprawnego
Bardziej szczegółowoKobiety w przedsiębiorstwach usługowych prognozy nieliniowe
Pior Srożek * Kobiey w przedsiębiorswach usługowych prognozy nieliniowe Wsęp W dzisiejszym świecie procesy społeczno-gospodarcze zachodzą bardzo dynamicznie. W związku z ym bardzo zmienił się sereoypowy
Bardziej szczegółowoMagdalena Sokalska Szkoła Główna Handlowa. Modelowanie zmienności stóp zwrotu danych finansowych o wysokiej częstotliwości
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Szkoła Główna Handlowa Modelowanie zmienności
Bardziej szczegółowoDendrochronologia Tworzenie chronologii
Dendrochronologia Dendrochronologia jes nauką wykorzysującą słoje przyrosu rocznego drzew do określania wieku (daowania) obieków drewnianych (budynki, przedmioy). Analizy różnych paramerów słojów przyrosu
Bardziej szczegółowoMODELE PROGNOSTYCZNE SPRZEDAśY ENERGII ELEKTRYCZNEJ ODBIORCOM WIEJSKIM OPARTE NA WYMIARZE FRAKTALNYM, LOGISTYCZNE I KRZYśOWANIA HEURYSTYCZNEGO
InŜynieria Rolnicza 11/2006 Małgorzaa Trojanowska Kaedra Energeyki Rolniczej Akademia Rolnicza w Krakowie MODELE PROGNOSTYCZNE SPRZEDAśY ENERGII ELEKTRYCZNEJ ODBIORCOM WIEJSKIM OPARTE NA WYMIARZE FRAKTALNYM,
Bardziej szczegółowoO METODZIE PROGNOZOWANIA BRAKUJĄCYCH DANYCH W DZIENNYCH SZEREGACH CZASOWYCH Z LUKAMI SYSTEMATYCZNYMI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 2012, str. 202 212 O METODZIE PROGNOZOWANIA BRAKUJĄCYCH DANYCH W DZIENNYCH SZEREGACH CZASOWYCH Z LUKAMI SYSTEMATYCZNYMI Maria Szmuksta-Zawadzka Zachodniopomorski
Bardziej szczegółowoROCZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/2007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Katowicach
ROZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Kaowicach WYZNAZANIE PARAMETRÓW FUNKJI PEŁZANIA DREWNA W UJĘIU LOSOWYM * Kamil PAWLIK Poliechnika
Bardziej szczegółowoWygładzanie metodą średnich ruchomych w procesach stałych
Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja
Bardziej szczegółowoĆWICZENIE 4 Badanie stanów nieustalonych w obwodach RL, RC i RLC przy wymuszeniu stałym
ĆWIZENIE 4 Badanie sanów nieusalonych w obwodach, i przy wymuszeniu sałym. el ćwiczenia Zapoznanie się z rozpływem prądów, rozkładem w sanach nieusalonych w obwodach szeregowych, i Zapoznanie się ze sposobami
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoIdentyfikacja wahań koniunkturalnych gospodarki polskiej
Rozdział i Idenyfikacja wahań koniunkuralnych gospodarki polskiej dr Rafał Kasperowicz Uniwersye Ekonomiczny w Poznaniu Kaedra Mikroekonomii Sreszczenie Celem niniejszego opracowania jes idenyfikacja wahao
Bardziej szczegółowoPrognoza scenariuszowa poziomu oraz struktury sektorowej i zawodowej popytu na pracę w województwie łódzkim na lata
Projek Kapiał ludzki i społeczny jako czynniki rozwoju regionu łódzkiego współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego Prognoza scenariuszowa poziomu oraz srukury
Bardziej szczegółowoPROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 69 Elecrical Engineering 0 Janusz WALCZAK* Seweryn MAZURKIEWICZ* PROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO W arykule opisano meodę generacji
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoRóżnica bilansowa dla Operatorów Systemów Dystrybucyjnych na lata (którzy dokonali z dniem 1 lipca 2007 r. rozdzielenia działalności)
Różnica bilansowa dla Operaorów Sysemów Dysrybucyjnych na laa 2016-2020 (kórzy dokonali z dniem 1 lipca 2007 r. rozdzielenia działalności) Deparamen Rynków Energii Elekrycznej i Ciepła Warszawa 201 Spis
Bardziej szczegółowo( 3 ) Kondensator o pojemności C naładowany do różnicy potencjałów U posiada ładunek: q = C U. ( 4 ) Eliminując U z równania (3) i (4) otrzymamy: =
ROZŁADOWANIE KONDENSATORA I. el ćwiczenia: wyznaczenie zależności napięcia (i/lub prądu I ) rozładowania kondensaora w funkcji czasu : = (), wyznaczanie sałej czasowej τ =. II. Przyrządy: III. Lieraura:
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 http://www.outcome-seo.pl/excel1.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodatek Solver jest dostępny w menu Narzędzia. Jeżeli Solver nie jest
Bardziej szczegółowoPREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY
B A D A N I A O P E R A C J N E I D E C Z J E Nr 2004 Aleksandra MAUSZEWSKA Doroa WIKOWSKA PREDKCJA KURSU EURO/DOLAR Z WKORZSANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WBRANE MODELE EKONOMERCZNE I PERCEPRON WIELOWARSWOW
Bardziej szczegółowo( ) ( ) ( τ) ( t) = 0
Obliczanie wraŝliwości w dziedzinie czasu... 1 OBLICZANIE WRAśLIWOŚCI W DZIEDZINIE CZASU Meoda układu dołączonego do obliczenia wraŝliwości układu dynamicznego w dziedzinie czasu. Wyznaczane będą zmiany
Bardziej szczegółowoSilniki cieplne i rekurencje
6 FOTO 33, Lao 6 Silniki cieplne i rekurencje Jakub Mielczarek Insyu Fizyki UJ Chciałbym Pańswu zaprezenować zagadnienie, kóre pozwala, rozważając emaykę sprawności układu silników cieplnych, zapoznać
Bardziej szczegółowoBadanie funktorów logicznych TTL - ćwiczenie 1
adanie funkorów logicznych TTL - ćwiczenie 1 1. Cel ćwiczenia Zapoznanie się z podsawowymi srukurami funkorów logicznych realizowanych w echnice TTL (Transisor Transisor Logic), ich podsawowymi paramerami
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n
Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Kaarzyna Kuziak Akademia Ekonomiczna
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECI SKIEGO ODPOWIED NA PYTANIE PROFESORA RAUTSKAUKASA
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECI SKIEGO NR 394 PRACE KATEDRY EKONOMETRII I STATYSTYKI NR 15 2004 JÓZEF HOZER Uniwersye Szczeci ski ODPOWIED NA PYTANIE PROFESORA RAUTSKAUKASA 1. PYTANIE PROFESORA RAUTSKAUKASA
Bardziej szczegółowoANALIZA ODPOWIEDZI UKŁADÓW KONSTRUKCYJNYCH NA WYMUSZENIE W POSTACI SIŁY O DOWOLNYM PRZEBIEGU CZASOWYM
Budownicwo Mariusz Poński ANALIZA ODPOWIEDZI UKŁADÓW KONSTRUKCYJNYCH NA WYMUSZENIE W POSTACI SIŁY O DOWOLNYM PRZEBIEGU CZASOWYM Wprowadzenie Coraz większe ograniczenia czasowe podczas wykonywania projeków
Bardziej szczegółowoAnaliza i prognozowanie szeregów czasowych
Analiza i pognozowanie szeegów czasowych Pojęcie szeegu czasowego Szeeg czasowy (chonologiczny, dynamiczny, ozwojowy) pezenuje ozwój wybanego zjawiska w czasie; zawiea waości zjawiska y w jednoskach czasu,,
Bardziej szczegółowo1.1. Bezpośrednie transformowanie napięć przemiennych
Rozdział Wprowadzenie.. Bezpośrednie ransformowanie napięć przemiennych Bezpośrednie ransformowanie napięć przemiennych jes formą zmiany paramerów wielkości fizycznych charakeryzujących energię elekryczną
Bardziej szczegółowoimei 1. Cel ćwiczenia 2. Zagadnienia do przygotowania 3. Program ćwiczenia
CYFROWE PRZEWARZANIE SYGNAŁÓW Laboraorium Inżynieria Biomedyczna sudia sacjonarne pierwszego sopnia ema: Wyznaczanie podsawowych paramerów okresowych sygnałów deerminisycznych imei Insyu Merologii Elekroniki
Bardziej szczegółowoSYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE
SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE Janusz Sowiński, Rober Tomaszewski, Arur Wacharczyk Insyu Elekroenergeyki Poliechnika Częsochowska Aky prawne
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoMetody analizy i prognozowania szeregów czasowych
Meody analizy i prognozowania szeregów czasowych Wsęp 1. Modele szeregów czasowych 2. Modele ARMA i procedura Boxa-Jenkinsa 3. Modele rendów deerminisycznych i sochasycznych 4. Meody dekompozycji szeregów
Bardziej szczegółowoZapraszamy do współpracy FACULTY OF ENGINEERING MANAGEMENT www.fem.put.poznan.pl Agnieszka Stachowiak agnieszka.stachowiak@put.poznan.pl Pokój 312 (obok czytelni) Dyżury: strona wydziałowa Materiały dydaktyczne:
Bardziej szczegółowoTemat 6. ( ) ( ) ( ) k. Szeregi Fouriera. Własności szeregów Fouriera. θ możemy traktować jako funkcje ω, których dziedziną jest dyskretny zbiór
ema 6 Opracował: Lesław Dereń Kaedra eorii Sygnałów Insyu eleomuniacji, eleinformayi i Ausyi Poliechnia Wrocławsa Prawa auorsie zasrzeżone Szeregi ouriera Jeżeli f ( ) jes funcją oresową o oresie, czyli
Bardziej szczegółowo