Metody prognozowania popytu w zarządzaniu logistycznym
|
|
- Jarosław Janiszewski
- 4 lat temu
- Przeglądów:
Transkrypt
1 Michał Miłek 1 Uniwerse Ekonomiczn w Kaowicach Meod prognozowania popu w zarządzaniu logiscznm Wsęp ał rozwó gospodarcze działalności człowieka spowodował, że meod prognozowania znaduą coraz szersze zasosowanie zarówno w dziedzinie nauk ekonomicznch, przrodniczch, humaniscznch i społecznch [6, s. 9]. Urudnione lub wręcz niemożliwe es raconalne gospodarowanie bez opracowania prognoz. Jes ona niezbędna w każde suaci, w kóre konieczne es podęcie deczi doczące wboru edne z isnieącch możliwości [6. s.11]. Poęcie prognozowania definiowane es ako przewidwanie przszłch zdarzeń, procesów lub sanów rzecz, opare na raconalnch przesłankach i specalnch meodach [4, s.193]. Isniee wiele meod prognozowania, kóre można klasfikować według różnch kreriów. Do prognozowania popu, worzenia planów produkci wrobów i porzeb maeriałowch oraz planów sprzedaż wrobów i usług, mogą bć sosowane meod heursczne, na przkład badania ankieowe, inuica badacza, meoda delficka oraz opinie eksperów [6, s. 12]. W m celu sosue się akże meod wkorzsuące apara maemaczno-sasczn akie ak modele ekonomerczne i analiza szeregów czasowch, klasczne i adapacne modele rendu, modele przcznowo-opisowe oraz modele auoregresne [5]. Rozwó ch meod es w osanich laach bardzo dnamiczn, skukiem czego es powsawanie nowch meod pozwalaącch na wznaczanie coraz dokładnieszch prognoz. W arkule zawaro porównanie prognoz uzskanch z wkorzsaniem kilku z nich. Prognoz bł wznaczane na przkładzie mas owarów ransporowanch drogą loniczą we Włoszech. Analiza szeregu czasowego Analizę zebranch danch można rozpocząć od ich prezenaci graficzne wraz z krókim opisem. Obserwaca wkresu analizowanego szeregu czasowego pozwala, międz innmi, na wkrcie obserwaci odsaącch, pozwala wsępnie zidenfikować wsępowanie rendu oraz wahań sezonowch, co może sugerować, że szereg czasow pochodzi z ednego z dwóch procesów, zwanch klascznmi modelami dekompozci [3, s. 14]. Na proces sochasczn, kórego realizacą es analizowan szereg czasow mogą mieć wpłw dwie składowe: ssemaczna i przpadkowa, zwaną częso składnikiem losowm. kładowa ssemaczna przeawia się wsępowaniem rendu i wahań okresowch. Dokładn podział szeregu czasowego na ego składowe przedsawiono na rsunku 1. Rs. 1. Części składowe szeregu czasowego Źródło: A. Zeliaś, B. Pawełek,. Wana, Prognozowanie ekonomiczne eoria, przkład, zadania, Warszawa, 2003, s Mgr M. Miłek, dokoran na Uniwersecie Ekonomicznm w Kaowicach, Wdział Zarządzania, Kaedra aski. 4694
2 Trend definiue się ako pewną długorwałą skłonność badanego zawiska do ednolich zmian. Naomias wahania okresowe, można podzielić na dwie grup wahania ckliczne, polegaące na cklicznch zmianach warości badane cech wokół rendu, oraz wahania sezonowe, obawiaące się powarzaącmi się zmianami warości o podobnm nasileniu, nasępuącmi co pewien okres czasu [6, s ]. W lieraurze rozważa się model addwn i muliplikawn, kórch posać wraża się odpowiednio za pomocą formuł (1) oraz (2) [1, s. 14]. f ( ) g( ) h( ) (1) gdzie: f ( ) g( ) h( ) (2) = 1, 2,, n, f () - rend, g() - składnik (cznnik) wahań sezonowch, h() - składnik (cznnik) wahań cklicznch, - składnik (cznnik) wahań losowch. W prakce bardzo częso dąż się do wodrębniania poszczególnch składowch szeregu czasowego, proces en nazwa się dekompozcą szeregu czasowego [6, s. 71]. Zazwcza pierwszm krokiem es eliminaca rendu. W prakce spokać można wiele posaci funkci rendu, naomias do naczęście sosowanch należą: rend liniow, wkładnicz, wielomianow logarmiczn. Kolenm krokiem es eliminaca wahań sezonowch, kóre można dokonać na kilka sposobów: z wkorzsaniem modelu wielomianów rgonomercznch, meod wskaźników sezonowości lub modelu ze zmiennmi zeroednkowmi (model Kleina) [6, s ]. Meoda wskaźników sezonowości polega na wznaczaniu pewnch charakerscznch wielkości korguącch, przmuącch różne warości w różnch fazach cklu. Meoda Kleina opiera się na konsrukci modelu, na przkład z wkorzsaniem meod namnieszch kwadraów, prz uwzględnieniu dodakowch zmiennch zeroednkowch, przmuącch warość 1 w wróżnione fazie cklu, oraz warość 0 w fazach pozosałch. Meoda Kleina wkorzsue nasępuąc model [6, s. 88]: gdzie: f m 1 X 1 (3) warość szeregu czasowego w okresie, czli l-m cklu -e faz (l = l, 2,,N, = 1, 2,, m), N liczba ckli, m liczba faz w cklu, f funkca rendu, odpowiedni składnik losow. X zmienna o warościach 0 i 1 zdefiniowana nasępuąco: 4695
3 X 1, 0, dla dla mod m mod m Do prognozowania popu można wkorzsać akże modele wgładzania wkładniczego. Rodzina modeli wrównwania wkładniczego es duża, a konkrene modele sosowane są w specficznch warunkach. Dla analizowanego szeregu czasowegowbrano model, bazuąc lko na wahaniach sezonowch. W nomenklaurze ET (Error, Trend, easonali) es o model A, N, A, kórego posać wraża się za pomocą formuł (5) [3, s. 49, 21]. (4) l 1 s m (5) l l 1 s s m Ponieważ nie ma związku pomiędz obserwacami z okresów innch niż oddalone od siebie o m obserwaci, możem rozważać każd z modeli osobno. Wnika z ego bezpośrednio, że model es sabiln, gd każd z m modeli es sabiln. Oprócz wmienionch wcześnie modeli, do prognozowania zawisk ekonomiczno-gospodarczch wkorzswane są akże modele auoregresi i średnie ruchome ARiMA. Jes o bardzo liczna grupa modeli sosowanch do prognozowania i modelowania szeregów czasowch, zarówno saconarnch ak i niesaconarnch, daącch się sprowadzić do saconarności poprzez różnicowanie. Formalnie model en można zapisać za pomocą formuł (6) [6, s ]: B B p Y 0 q (6) Głównm punkem wścia konsrukci ch modeli es auoregresa, kóra es nieodłącznm zawiskiem owarzszącm wielu szeregom czasowm. Analizowane zawiska bardzo częso charakerzuą się wahaniami sezonowm. W akim przpadku sosue się sezonow model auoregresi i średnie ruchome ARIMA (p, d, q) (P, D, Q), zaproponowan w 1970 roku przez Boxa i Jenkinsa. Model en składa się z dwóch części, edna z nich służ do modelowania wahań sezonowch, druga do zmian niezwiązanch z sezonowością. Wspomniana cześć sezonowa wraża się wzorem (7): P D B B Y Q, B, 1 Po dołączeniu części sezonowe do modelu ARIMA (8), orzmuem muliplikawn model A- RIMA(p, d, q)(p, D, Q), posaci: (7) p D B P, B 1 B Y q BQ, B Gdzie o okres sezonowości [2, s ]. (8) Prognoza wielkości ransporu loniczego Na rsunku 2. przedsawion zosał szereg czasow miesięczne wielkości przewozu owarów we Włoszech, w okresie od scznia 2002 do września 2013, wrażon w onach. Analizuąc wkres można zauważć, że wsępue rend oraz wahania okresowe wielkość ransporu es zmienna w różnch miesiącach roku. Wniosek en powierdzaą akże analiz sasczne. Ze względu na specfikę zebranch danch, do prognozowania szeregu czasowego posłużono się modelem addwnm, w kórm każda z warości analizowanego szeregu czasowego, będącego fragmenem realizaci pewnego procesu sochascznego, można przedsawić ako sumę składowch szeregu czasowego wszskich lub lko części 4696
4 z nich. Na porzeb analiz, dane zosał podzielone na dwie części. Pierwsza z nich posłużła do konsrukci modeli prognoscznch 132 obserwace, naomias druga do werfikaci akości posawionch prognoz 9 obserwaci. Masa owarów w siącach on Lipiec 2002 czeń 2003 Lipiec 2003 czeń 2004 Lipiec 2004 czeń 2005 Lipiec 2005 czeń 2006 Lipiec 2006 czeń 2007 Lipiec 2007 czeń 2008 Lipiec 2008 czeń 2009 Lipiec 2009 czeń 2010 Lipiec 2010 czeń 2011 Lipiec 2011 czeń 2012 Lipiec 2012 czeń 2013 Lipiec 2013 Rs. 2. Masa owarów przewożonch drogą loniczą we Włoszech Źródło: hp://appsso.eurosa.ec.europa.eu/nui/show.do?daase=avia_gooc&lang=en Prognoz zosał skonsruowane w oparciu o rz ze wspomnianch wcześnie meod prognozowania model rendu i sezonowości (model wielomianow i zmienne zeroednkowe), model wrównwania wkładniczego (opar o wahania sezonowe) oraz model sezonowe auoregresi i średnie ruchome. Do wszskich obliczeń wkorzsano pakie do analiz sascznch R-Cran. osuąc pierwszą meodę udało się skonsruować model ekonomerczn, kór zapisan zosał za pomocą formuł (9). Model powsał po usunięciu meodą sukceswne eliminaci nieisonch zmiennch. Nieison okazał się międz innmi paramer soąc prz zmienne. Osaeczn model es zaem wielomianem sopnia 5. =50,64 2-1, , , V V V4+3351V 7 (9) V V V Kolenm rozparwanm modelem es modele wrównwania wkładniczego. Warości parameru α i γ zosał wznaczone na poziomie 0,7513 oraz 0,0001. Osanim modelem es model ARIMA. W wniku esmaci paramerów modelu i eliminaci paramerów nieisonch sascznie, osaecznie orzmano model ARIMA (5,1,2) (2,1,0) 12. Na eapie worzenia modelu zbadana zosała saconarność i saconarność sezonowa szeregu czasowego. Konieczne okazało się ednokrone różnicowanie szeregu czasowego w obu przpadkach, w celu sprowadzenia szeregu do saconarności. W dalszm kroku zbadana zosała akość sworzonch modeli na podsawie własności resz. Orzmane wniki zosał zesawione w Tabeli 1. Na podsawie orzmanch warości należ swierdzić, że lko w pierwszm modelu nie ma podsaw b odrzucić hipoezę o pochodzeniu resz z populaci o rozkładzie normalnm. Na Rsunku 3 przedsawiono wniki analiz wzrokowe wkreślono wkres kwanl-kwanl oraz hisogram dla resz wszskich model. Dla resz pierwszego modelu kwanleempirczne nalepie odpowiadaą kwanlom eorecznm, w pozosałch modelach wsępuą odchlenia. O losowości resz można wnioskować dla modelu wrównwania wkładniczego i modelu ARIMA, naomias es Kruskala-Wallisa wskazue, że we wszskich przpadkach resz modelu maą ednorodną wariancę. Na Rsunku 4. przedsawiono wnik analiz auokorelaci resz wkonane za pomocą esu Lunga-Boxa. Wniki wskazuą, że we wszskich przpadkach auokorelaca zosała usunięa. 4697
5 Tabela 1. Wniki analiz akości resz Miara Model p-warość Pochodzenie z populaci o rozkładzie normalnm Losowość resz Jednorodność warianci Warość saski esowe 1 0,8504 0, ,0100 0, ,0234 0, ,0000-8, ,9979 0, ,9915 0, ,3651 0, ,1082 2, ,9202 0,0100 Model rendu i sezonowości Model wrównwania wkładniczego Model ARiMA Kwanle z prób Kwanle z prób Kwanle z prób Model rendu i sezonowości Model wrównwania wkładniczego Model ARiMA Gęsość 0e+00 2e-05 4e-05 6e-05 8e Rs. 3. Wkres kwanl-kwanl i hisogram resz Gęsość Gęsość Model rendu i sezonowości Model wrównwania wkładniczego Model ARiMA p-warość p-warość p-warość Opóźnienie Rs. 4. Wnik esowania auokorelaci Opóźnienie Opóźnienie 4698
6 Kolenm krokiem w analizie bło wznaczenie prognoz na podsawie sworzonch modeli. Prognoz wznaczono na 9 okresów w przód i porównano z rzeczwismi danmi z podzbioru konrolnego. Do zbadania ich akości posłużono się miarami błędów ex-pos. Wniki przedsawiono w Tabeli 2. Tabela 2. Analiza akości dopasowania modeli do danch empircznch Miara Oznaczenie Model rendu i sezonowości Model wrównwania wkładniczego ARIMA Średni błąd predkci ME 11520, , ,81 Pierwiasek błędu średniokwadraowego RME 12600, , ,07 Średni absolun błąd predkci MAE 11520, , ,14 Średni błąd procenow MPE 17,35% 4,67% 2,18% Średni absolun błąd procenow MAPE 17,35% 4,88% 2,53% Analizuąc warości średniego błędu predkci należ swierdzić, że warość prognozowana bła wższa od warości rzeczwise o przecięnie on dla modelu rendu i sezonowości, on dla modelu wrównwania wkładniczego oraz on dla modelu ARIMA. Średni absolun błąd procenow mówi, że prognoza różni się od warości rzeczwisch o przecięnie, odpowiednio: 17,35%, 4,88%, 2,53%. Powższe warości wskazuą, że nalepszm dopasowaniem charakerzował się model ARIMA. Podsumowanie Celem głównm niniesze prac bła konsrukca modeli pozwalaącch na posawienie prognoz krókookresowe wielkości ransporu loniczego i ich porównanie. Przeprowadzone w prac analiz pozwolił na uzskanie obiecuącch wników, zwłaszcza w zakresie sosowania modelu ARIMA, kór charakerzował się nalepszą akością dopasowania. Prognozowanie popu, worzenia planów produkci wrobów i porzeb maeriałowch oraz planów sprzedaż wrobów i usług ma duże znaczenie gospodarcze i es ednm z podsawowch źródeł informaci umożliwiaącch efekwne gospodarowanie. Isona es zaem akość sawianch prognoz. osowanie bardzie zaawansowanch meod analiz szeregów czasowch bardzo częso pozwala na osiągnięcie lepszch wników. W m przpadku powinno się ednak porównać kosz wdrożenia i sosowania bardzie skomplikowanch meod z poencalnmi korzściami. Lieraura dosarcza wielu informaci na ema nowch modeli i sposobów prognozowania szeregów czasowch, kóre akże z powodzeniem można zasosować do prognozowania popu. Duże znaczenie ma akże narzędzie sosowane do wznaczania akich prognoz. Pakie do analiz sascznch R-Cran ma pod m kąem wiele zale. Jes oprogramowaniem udosępnianm na podsawie licenci Open ource, pozwalaącm na powarzalność prowadzonch analiz. Jes akże na bieżąco wzbogacan o kolene moduł pozwalaące na sosowanie nanowszch meod. reszczenie Efekwne planowanie es ednm z podsawowch wzwań soącch przed przedsiębiorcami. Ab mu sprosać, konieczne es posiadanie odpowiednie wiedz na ema popu na wrob lub usługi. W definici planowania mieści się poęcie prognozowania, kóre es ważnm źródłem informaci zarządcze. Na e podsawie worzone są plan produkci wrobów, plan porzeb maeriałowch oraz plan sprzedaż wrobów i usług. W lieraurze można spokać szereg meod, kóre z powodzeniem sosue do prognozowania popu. Część z nich o meod czso eksperckie, inne opare są o analizę z wkorzsaniem modeli ekonomercznch, eszcze inne wkorzsuą analizę szeregów czasowch. 4699
7 W arkule zawaro porównanie akości prognoz uzskanch z wkorzsaniem różnch meod, w szczególności skupiono się na zasosowaniu modelu sezonowe auoregresi i średnie ruchome (A- RIMA) do prognozowania popu. łowa kluczowe: pop, prognozowanie, szereg czasow, model ekonomerczn, ARiMA Absrac METHOD OF DEMAND FORECATING IN LOGITIC MANAGEMENT Effecive planning is one of he fundamenal challenges facing enrepreneurs. To mee his challenge, i is necessar o have sufficien knowledge abou he demand for a produc or service. In he definiion of he concep of planning forecasing is an imporan source of managemen informaion. On he basis of esablished producion plans, plans for maerial needs and plans for he sale of producs and services. In he lieraure here are various mehods which have been successfull used for demand forecasing. ome of hem are purel exper mehods, ohers are based on an analsis using an economeric model, and sill ohers use he analsis of ime series. The aricle includes a comparison of he quali of forecass obained using differen mehods, in paricular, focuses on he applicaion of he seasonal auoregressive and moving average model (ARIMA) for demand forecasing. Kewords: demand, forecasing, ime series, exponenial soohing, ARiMA Lieraura [1] Brockwell P.J., Davis R.A.: Time eries: Theor and Mehods, pringer-verlag New York, 1987, [2] Franses P.H., Periodici and ochasic Trends In Economic Time eries, Now Jork, [3] Hndman R.J., Koehler A.B., Ord J.K., nder R.D.: Forecasing wih Exponenial moohing, pringer-verlag, Berlin Heidelberg, [4] Koźmiński A.K., Piorowski W. (red.): Zarządzanie. Teoria i prakka, PWN, Warszawa [5] Reszka L.: Prognozowanie popu w logisce małego przedsiębiorswa, Wdawnicwo Uniwerseu Gdańskiego, Gdańsk, [6] Zeliaś A., Pawełek B., Wana.: Prognozowanie ekonomiczne eoria, przkład, zadania, Warszawa,
Prognozowanie 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 szczegółowoMODEL TENDENCJI ROZWOJOWEJ
MODEL TENDENCJI ROZWOJOWEJ Model endencji rozwojowej o konsrukcja eoreczna (równanie lub układ równań) opisująca kszałowanie się określonego zjawiska jako funkcji: zmiennej czasowej wahań okresowch (sezonowe
Bardziej szczegółowoKonspekty wykładów z ekonometrii
Konspek wkładów z ekonomerii Budowa i werfikaca modelu - reść przkładu W wniku ssemacznch badań popu na warzwa w pewnm mieście, orzmano nasępuące szeregi czasowe: przros (zmian) popu na warzwa (w zł. na
Bardziej szczegółowoCechy szeregów czasowych
energecznch Cech szeregów czasowch Rozdział Modelowanie szeregów czasowch 7 proces deerminisczn proces kórego warość może bć preczjnie określona w dowolnm czasie =T+τ = a +b T T+τ czas = sin(ω) T T+τ czas
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 szczegółowoZajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego
Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb
Bardziej szczegółowoAnaliza szeregów czasowych uwagi dodatkowe
Analiza szeregów czasowch uwagi dodakowe Jerz Sefanowski Poliechnika Poznańska Zaawansowana Eksploracja Danch Prognozowanie Wbór i konsrukcja modelu o dobrch własnościach predkcji przszłch warości zmiennej.
Bardziej szczegółowoEkonometria I materiały do ćwiczeń
lp daa wkładu ema Wkład dr Doroa Ciołek Ćwiczenia mgr inż. - Rodzaje danch sascznch - Zmienne ekonomiczne jako zmienne losowe 1a) Przkład problemów badawczch hipoeza, propozcja modelu ekonomercznego, zmienne
Bardziej szczegółowoPROCESY AUTOREGRESYJNE ZE ZMIENNYM PARAMETREM 1. Joanna Górka. Wydział Nauk Ekonomicznych i Zarządzania UMK w Toruniu Katedra Ekonometrii i Statystyki
PROCESY AUTOREGRESYJNE ZE ZMIENNYM PARAMETREM Joanna Górka Wdział Nauk Ekonomicznch i Zarządzania UMK w Toruniu Kaedra Ekonomerii i Saski WSTĘP Niesacjonarne proces o średniej zero mogą bć reprezenowane
Bardziej szczegółowoMetody Ilościowe w Socjologii
Meod Ilościowe w Socjologii wkład 5, 6, 7 PROGNOZOWANIE I SYMULACJE dr inż. Maciej Woln AGENDA I. Prognozowanie i smulacje podsawowe informacje II. Prognozowanie szeregów czasowch III. Dekompozcja szeregu,
Bardziej szczegółowoSYMULACYJNE BADANIE EFEKTYWNOŚCI WYKORZYSTANIA METOD NUMERYCZNYCH W PROGNOZOWANIU ZMIENNEJ ZAWIERAJĄCEJ LUKI NIESYSTEMATYCZNE
Sudia Ekonomiczne. Zesz Naukowe Uniwerseu Ekonomicznego w Kaowicach ISSN 8-86 Nr 4 7 Zachodniopomorski Uniwerse Technologiczn w Szczecinie Wdział Ekonomiczn Kaedra Zasosowań Maemaki w Ekonomii maciej.oeserreich@zu.edu.pl
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 5
Sanisław Cichocki Naalia Nehrebecka Wkład 5 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA 2 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA
Bardziej szczegółowoPrognozowanie i symulacje
Prognozowanie i smulacje Ramow plan wkładu.wprowadzenie w przedmio.rafność dopuszczalność i błąd prognoz 3.Prognozowanie na podsawie szeregów czasowch 4.Prognozowanie na podsawie modelu ekonomercznego
Bardziej szczegółowoPROGNOZY I SYMULACJE
Forecasing is he ar of saing wha will happen, and hen explaining wh i didn. Ch. Chafield (986) PROGNOZY I SYMULACJE Kaarzna Chud Laskowska konsulacje: p. 400A środa -4 czwarek -4 srona inerneowa: hp://kc.sd.prz.edu.pl/
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 szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 2009.
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 009 Uniwerse Mikołaja Kopernika w Toruniu Kaedra Ekonomerii i Saski WŁASNOŚCI
Bardziej szczegółowoInstytut Logistyki i Magazynowania
Insu Logiski i Magaznowania Ćwiczenia 1 mgr Dawid Doliński Dawid.Dolinski@ilim.poznan.pl lub Dawid.Dolinski@wsl.com.pl Tel. 0(61) 850 49 45 ZALICZENIE PRZEDMIOTU 5 punków Blok zajęć z Panem mgr D.Dolińskim
Bardziej szczegółowoZASTOSOWANIA EKONOMETRII
ZASTOSOWANIA EKONOMETRII Budowa, esmacja, werfikacja i inerpreacja modelu ekonomercznego. dr Doroa Ciołek Kaedra Ekonomerii Wdział Zarządzania UG hp://wzr.pl/~dciolek doroa.ciolek@ug.edu.pl Lieraura Osińska
Bardziej szczegółowoPROGNOZOWANIE. mgr inż. Martyna Malak. Katedra Systemów Logistycznych.
1 PROGNOZOWANIE Kaedra Ssemów Logiscznch mgr inż. Marna Malak marna.malak@wsl.com.pl Panel TABLICE 1 2 3 DEFINICJA PROGNOZY Prognozowanie? Przewidwanie 4 DEFINICJA PRZEWIDYWANIA Przewidwanie wnioskowanie
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 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 szczegółowoPROGNOZY I SYMULACJE
orecasig is he ar of saig wha will happe, ad he explaiig wh i did. Ch. Chafield (986 PROGNOZY I YMULACJE Kaarza Chud Laskowska kosulacje: p. 400A środa -4 czwarek -4 sroa iereowa: hp://kc.sd.prz.edu.pl/
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 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 szczegółowoZasady budowania prognoz ekonometrycznych
Zasad budowania prognoz ekonometrcznch Klasczne założenia teorii predkcji 1. Znajomość modelu kształtowania się zmiennej prognozowanej Znajomość postaci analitcznej wstępującch zależności międz zmiennmi
Bardziej szczegółowoKrzywe na płaszczyźnie.
Krzwe na płaszczźnie. Współrzędne paramerczne i biegunowe. Współrzędne biegunowe. Dan jes punk O, zwan biegunem, kór sanowi począek półprosej, zwanej półosią. Dowoln punk P na płaszczźnie można opisać
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 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 szczegółowoBADANIE EFEKTYWNOŚCI PROGNOZ ZMIENNYCH OPISUJĄCYCH WYBRANE ASPEKTY FUNKCJONOWANIA PORTU SZCZECIN-ŚWINOUJŚCIE
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Mariusz Doszń * Barłomiej Pachis ** Uniwerse Szczecińsi BADANIE EFEKTYWNOŚCI PROGNOZ ZMIENNYCH OPISUJĄCYCH WYBRANE ASPEKTY FUNKCJONOWANIA
Bardziej szczegółowoMagdalena Osińska, Joanna Górka Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 5 w Toruniu Kaedra Ekonomerii i Saski, Uniwerse Mikołaja Kopernika w Toruniu Uniwerse Mikołaja Kopernika w Toruniu Idenfikacja
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 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 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 szczegółowoROZDZIAŁ 11 WPŁYW ZMIAN KURSU WALUTOWEGO NA RYNEK PRACY
Rszard Sefański ROZDZIAŁ 11 WPŁYW ZMIAN KURSU WALUTOWEGO NA RYNEK PRACY Absrak Ocena wpłwu zmian kursu waluowego na rnek prac jes szczególnie isona dla polskiej gospodarki w najbliższch laach. Spośród
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 szczegółowoMetody prognozowania: Jakość prognoz Wprowadzenie (1) 6. Oszacowanie przypuszczalnej trafności prognozy
Metod prognozowania: Jakość prognoz Dr inż. Sebastian Skoczpiec ver. 03.2012 Wprowadzenie (1) 1. Sformułowanie zadania prognostcznego: 2. Określenie przesłanek prognostcznch: 3. Zebranie danch 4. Określenie
Bardziej szczegółowoMATERIAŁY I STUDIA. Metody spektralne w analizie cyklu koniunkturalnego gospodarki polskiej. Zeszyt nr 252. Paweł Skrzypczyński. Warszawa, 2010 r.
MATERIAŁY I STUDIA Zesz nr 5 Meod spekralne w analizie cklu koniunkuralnego gospodarki polskie Paweł Skrzpczński Warszawa, r. Chciałbm podziękować prof. Tomaszowi Kuszewskiemu za wsparcie oraz cenne uwagi
Bardziej szczegółowowięc powyższy warunek będzie zapisany jako dy dt
Meo maemaczne w echnologii maeriałów Krzszof Szszkiewicz Wprowadzenie DEFINICJA. Równaniem różniczkowm zwczajnm rzędu pierwszego nazwam równanie posaci gdzie f : f (, ), () U jes daną funkcją. Rozwiązaniem
Bardziej szczegółowoPROGNOZOWANIE. Ćwiczenia 3. tel.: (061)
Ćwiczeia 3 mgr iż.. Mara Krueger mara.krueger@edu.wsl.com.pl mara.krueger@ilim.poza.pl el.: (06 850 49 57 Meod progozowaia krókoermiowego sał poziom red sezoowość Y Y Y Czas Czas Czas Model aiw Modele
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 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 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 szczegółowoWartość indeksów sezonowych przedstawia wzór: O = WK - średni multiplikatywny wskaźnik korygujący dla 12 uzyskania O = 1200.
Sławomir JUŚCIŃSKI Uniwerse Przrodnicz w Lublinie, Kaedra Energeki i Pojazdów, Zakład Logiski i Zarządzania Przedsiębiorswem ul. Poniaowskiego, 20-060 Lublin e-mail: slawomir.juscinski@up.lublin.pl A SURVEY
Bardziej szczegółowoPrzydatność prognostyczna wskaźników testu koniunktury przegląd metod ewaluacji
Agnieszka Róg * Krsna Srzała ** Przdaność prognosczna wskaźników esu koniunkur przegląd meod ewaluacji Wsęp Analizą oraz prognozowaniem koniunkur gospodarczej zajmują się liczne ośrodki naukowe. Do wnioskowania
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 X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Gdański Zasosowanie modelu
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Zajęcia 1-2
Stanisław Cichocki Natalia Nehreecka Zajęcia - . Model liniow Postać modelu liniowego Zapis macierzow modelu liniowego. Estmacja modelu Przkład Wartość teoretczna (dopasowana) Reszt 3. MNK - przpadek wielu
Bardziej szczegółowooznacza przyrost argumentu (zmiennej niezależnej) x 3A82 (Definicja). Granicę (właściwą) ilorazu różnicowego funkcji f w punkcie x x x e x lim x lim
WYKŁAD 9 34 Pochodna nkcji w pnkcie Inerpreacja geomerczna pochodnej Własności pochodnch Twierdzenia Rolle a Lagrange a Cach ego Regla de lhôspiala Niech ( ) O( ) będzie nkcją określoną w pewnm ooczeni
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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
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 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 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 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 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 szczegółowoMODEL CZASU OBSŁUGI NAZIEMNEJ STATKU POWIETRZNEGO
KIERZKOWSKI Arur 1 Transpor loniczy, szeregi czasowe, eksploaacja, modelowanie MODEL CZASU OBSŁUGI NAZIEMNEJ STATKU POWIETRZNEGO W referacie przedsawiono probabilisyczny model czasu obsługi naziemnej saku
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 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 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 szczegółowoZASTOSOWANIE MODELI EKONOMETRYCZNYCH DO BADANIA SKŁONNOŚCI
Zasosowanie modeli ekonomerycznych do badania skłonności STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 2 39 MARIUSZ DOSZYŃ Uniwersye Szczeciński ZASTOSOWANIE MODELI EKONOMETRYCZNYCH DO BADANIA
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 szczegółowoHarmonogram czyszczenia z osadów sieci wymienników ciepła w trakcie eksploatacji instalacji na przykładzie destylacji rurowo-wieżowej
Mariusz Markowski, Marian Trafczyński Poliechnika Warszawska Zakład Aparaury Przemysłowe ul. Jachowicza 2/4, 09-402 Płock Harmonogram czyszczenia z osadów sieci wymienników ciepła w rakcie eksploaaci insalaci
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 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 szczegółowoEFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE
Paweł Kobus, Rober Pierzykowski Kaedra Ekonomerii i Informayki SGGW e-mail: pawel.kobus@saysyka.info EFEKT DŹWIGNI NA GPW W WARSZAWIE Sreszczenie: Do modelowania asymerycznego wpływu dobrych i złych informacji
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 szczegółowoOPRACOWANIE I PREZENTACJA WYNIKÓW POMIARÓW
OPRACOWANIE I PREZENTACJA WYNIKÓW POMIARÓW Opracowanie danch pomiarowch ma na celu wsępne przgoowanie danch do analiz i prezenacji. Mogą o bć prose działania, akie jak: zaokrąglanie liczb, sorowanie danch,
Bardziej szczegółowoDiagram relacji między zmiennymi (Scatter Diagram)
2. Należ pomśleć o definicji do zastosowania w następując sposób: Zastosowanie: Cz wszsc zgadzam się, co robić? Definicja: Cz wszsc zgadzam się co do znaczenia każdego słowa? 5.4 Diagram relacji międz
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Sein., Oeconomica 2014, 313(76)3, 137 146 Maria Szmuksa-Zawadzka, Jan Zawadzki MODELE WYRÓWNYWANIA WYKŁADNICZEGO W PROGNOZOWANIU
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 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 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 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 szczegółowoTESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Mariusz Doszyń TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH Od pewnego czasu w lieraurze ekonomerycznej pojawiają się
Bardziej szczegółowoPROPOZYCJA NOWEJ METODY OKREŚLANIA ZUŻYCIA TECHNICZNEGO BUDYNKÓW
Udosępnione na prawach rękopisu, 8.04.014r. Publikacja: Knyziak P., "Propozycja nowej meody określania zuzycia echnicznego budynków" (Proposal Of New Mehod For Calculaing he echnical Deerioraion Of Buildings),
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoISBN (wersja drukowana) ISBN (ebook)
Doroa Pekasiewicz Krsna Pruska Kaedra Meod Sascznch Wdział Ekonomiczno-Socjologiczn Uniwerse Łódzki 90-4 Łódź ul. Rewolucji 905 r. nr 4/43 RECENZENT Grażna Trzio SKŁD I ŁMNIE Barbara Lebioda PROJEKT OKŁDKI
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
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 szczegółowoOeconomiA copernicana. Małgorzata Madrak-Grochowska, Mirosława Żurek Uniwersytet Mikołaja Kopernika w Toruniu
OeconomiA copernicana 2011 Nr 4 Małgorzaa Madrak-Grochowska, Mirosława Żurek Uniwersye Mikołaja Kopernika w Toruniu TESTOWANIE PRZYCZYNOWOŚCI W WARIANCJI MIĘDZY WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE
Bardziej szczegółowoZmienne losowe typu ciągłego. Parametry zmiennych losowych. Izolda Gorgol wyciąg z prezentacji (wykład III)
Zmienne losowe tpu ciągłego. Parametr zmiennch losowch. Izolda Gorgol wciąg z prezentacji (wkład III) Zmienna losowa tpu ciągłego Zmienna losowa X o ciągłej dstrbuancie F nazwa się zmienną losową tpu ciągłego,
Bardziej szczegółowoPrzedziały ufności i testy parametrów. Przedziały ufności dla średniej odpowiedzi. Interwały prognoz (dla przyszłych obserwacji)
Wkład 1: Prosta regresja liniowa Statstczn model regresji liniowej Dane dla prostej regresji liniowej Przedział ufności i test parametrów Przedział ufności dla średniej odpowiedzi Interwał prognoz (dla
Bardziej szczegółowoZbudowany i pozytywnie zweryfikowany jednorównaniowy model ekonometryczny. jest uŝyteczny do analizy zaleŝności między zmiennymi uwzględnionymi w
ROGNOZOWANIE EKONOMERYCZNE (REDYKCJA EKONOMERYCZNA) ZEAW V Zbudowan i pozwnie zwerfikowan jednorównaniow model ekonomerczn je uŝeczn do analiz zaleŝności międz zmiennmi uwzględnionmi w modelu w okreie,
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 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 szczegółowoMotto. Czy to nie zabawne, że ci sami ludzie, którzy śmieją się z science fiction, słuchają prognoz pogody oraz ekonomistów? (K.
Motto Cz to nie zabawne, że ci sami ludzie, którz śmieją się z science fiction, słuchają prognoz pogod oraz ekonomistów? (K. Throop III) 1 Specfika szeregów czasowch Modele szeregów czasowch są alternatwą
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 27 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaa Kopernika w Toruniu Małgorzaa Borzyszkowska Uniwersye Gdański
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 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 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 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 szczegółowoOCENA POPYTU POPYT POJĘCIA WSTĘPNE. Definicja: Popyt to ilość dobra, jaką nabywcy gotowi są zakupić przy różnych poziomach ceny.
OCENA POPYTU POPYT POJĘCIA WSTĘPNE Defiicja: Pop o ilość dobra, jaką abwc goowi są zakupić prz różch poziomach ce. Deermia popu: (a) Cea daego dobra (b) Ilość i ce dóbr subsucjch (zw. kokurecjch) (c) Ilość
Bardziej szczegółowoZASTOSOWANIE STANDARDOWEGO MODELU TOBITOWEGO
Jerz Marze, Kaedra Ekonomerii i Badań Operajn, Uniwerse Ekonomizn w Krakowie 1 Jerz Marze Akademia Ekonomizna Krakowie ZASTOSOWANIE STANDARDOWEGO MODELU TOBITOWEGO W PROGNOZOWANIU OPÓŹNIENIA W SPŁACIE
Bardziej szczegółowoWYKORZYSTANIE TESTU OSTERBERGA DO STATYCZNYCH OBCIĄŻEŃ PRÓBNYCH PALI
Prof. dr hab.inż. Zygmun MEYER Poliechnika zczecińska, Kaedra Geoechniki Dr inż. Mariusz KOWALÓW, adres e-mail m.kowalow@gco-consul.com Geoechnical Consuling Office zczecin WYKORZYAIE EU OERERGA DO AYCZYCH
Bardziej szczegółowoKlasyfikacja modeli. Metoda najmniejszych kwadratów
Konspek ekonomeria: Weryfikacja modelu ekonomerycznego Klasyfikacja modeli Modele dzielimy na: - jedno- i wielorównaniowe - liniowe i nieliniowe - sayczne i dynamiczne - sochasyczne i deerminisyczne -
Bardziej szczegółowoLABORATORIUM PODSTAW AUTOMATYKI
LABORATORIUM PODSTAW AUTOMATYKI INSTRUKCJA DO ĆWICZENIA 4.Wstęp - DOBÓR NASTAW REGULATORÓW opr. dr inż Krzsztof Kula Dobór nastaw regulatorów uwzględnia dnamikę obiektu jak i wmagania stawiane zamkniętemu
Bardziej szczegółowoZASTOSOWANIE 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 szczegółowoANALIZA DYNAMIKI ZJAWISK (dok.) WYGŁADZANIE szeregu czasowego
D. Miszczńska,M.Miszczński, Maeriał do wkładu 6 ze Saski, 009/0 [] ANALIZA DYNAMIKI ZJAWISK (dok.). szereg czasow, chroologicz (momeów, okresów). średi poziom zjawiska w czasie (średia armecza, średia
Bardziej szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB Plan prezentacji Wprowadzenie do prognozowania Metody
Bardziej szczegółowo