Analiza szeregów czasowych i prognozowanie. kwiecień 07. 1
|
|
- Sylwia Sobczyk
- 7 lat temu
- Przeglądów:
Transkrypt
1 Analiza szeregów czasowych i prognozowanie Dr inż. Krzyszof Krawiec Zakład Ineligennych Sysemów Wspomagania Decyzji Insyu Informayki, Poliechnika Poznańska Cel Zbudowanie modelu pewnego zjawiska/procesu w oparciu o obserwowane zmiany w czasie pewnych mierzalnych wielkości opisujących en proces. Cele: weryfikacja inuicyjnych przypuszczeń, wyjaśnianie naury zjawiska, predykcja (eksrapolacja) przebiegu lub jego składowych => prognozowanie. hp://www-idss.cs.pu.poznan.pl Szereg czasowy W saysyce: szczególny przypadek szeregu dynamicznego (nazwanego ak przez analogię do szeregu rozdzielczego). Rozróżnia się szeregi czasowe: momenów (np. liczba ludności pewnego miasa w laach od 99 do 999 liczona wg sanów na 3 grudnia), okresów (np. roczna produkcja spinaczy w Polsce w laach od 99 do 999). Przykład : Obciążenie akywności 5. Dane hisoryczne m RDCIN IDCOUT
2 Przykład : Odwiedziny wiryny WWW Gazelle.com - a legwear and legcare web reailer Sof-launch: Jan 3, Hard-launch: Feb 9, wih an Ally McBeal TV ad on 8h and srong $ off promoion clicksream analysis Przykład : Toal Sales, Discouns, and "Heavy Spenders" /7/ /3/ // /7/ /4/ 3// 3/9/ 3/6/ 3/3/ 3/3/ $ No daa. Sof Launch. Ally McBeal ad & $ off promoion Discouns greaer han order amoun (afer discoun) 3. Seady sae.% 9.% 8.% 7.% 6.% 5.% 4.% 3.%.%.%.% Order dae [Kohavi ] Percen heavy Discoun Order amoun 5 6 Przykład szereg czasowy okresów wielowymiarowy Top Referrers Percen of op referrers % 8% 6% 4% % % // /4/ /6/ /8/ // // /4/ /6/ /8/ // // /4/ /6/ /8/ 3// 3/3/ 3/5/ 3/7/ 3/9/ 3// 3/3/ 3/5/ 3/7/ 3/9/ 3// 3/3/ 3/5/ 3/7/ 3/9/ 3/3/ FashionMall Yahoo ShopNow Session MyCoupons dae Winnie-cooper Toal fromop referrers Przykład 3: Szereg czasowy momenów A7875 A7675 A8375 A8375 A875 A8375 A9775 A9775 wig A9575 A375 A75 A975 A975 wig A775 A575 A375 A
3 Sposrzeżenia aki a nie inny kszał danych hisorycznych nie jes (nie był) jedynym możliwym scenariuszem (warianem), na nasz przebieg wpływają akże czynniki zewnęrzne względem modelu, kórych w nim nie uwzględniamy ZATEM: konieczność probabilisycznego ujęcia modelowania szeregów czasowych => saysyka. Proces sochasyczny a szereg czasowy Proces sochasyczny X(,ω) o zbiór losowych funkcji czasu () przyporządkowanych zdarzeniom ω. Gdy usalamy: - dosajemy zmienną losową X (ω) ω - dosajemy funkcję czasu x(). Funkcje x() o realizacje procesu sochasycznego X(,ω), szeregi czasowe (SC). W szczególności, gdy czas przyjmuje warości dyskrene (np. nauralne), funkcje x() nazywamy dyskrenymi szeregami czasowymi (DSC). 9 Proces sochasyczny a szereg czasowy Przykład - dyskreny szereg czasowy X (,ω) X ( ω ) Obserwowany szereg czasowy x() X (,ω) ω ω 3 ω i ω P[ X ( ω ) = X ] 3
4 Typowy przebieg procesu analizy SC Zbieranie i przygoowywanie danych Analiza Modelowanie = odkrywanie srukury przebiegu czasowego (np. przez dekompozycję) Prognozowanie, w ym m.in.: weryfikowanie prognoz, szacowanie jakości prognoz, Przebieg wykładu Zbieranie i przygoowywanie danych Analiza szeregów czasowych Dekompozycja szeregu czasowego Prognozowanie Prognozowanie w przedsiębiorswie Uwagi końcowe Sudium przypadku => przebieg wykładu 3 4 Zbieranie i przygoowywanie danych Założenia meoda pozyskiwania Jednorodny charaker danych: szeregi okresów: okresy powinny być równej długości, szeregi momenów: momeny powinny być równo odległe w czasie. Bardzo isone! Większość meod zakłada jednorodność danych. Dane hisoryczne powinny doyczyć okresu, w kórym paramery modelu opisującego proces były (choćby w przybliżeniu) sałe
5 Założenia ilość danych Dane hisoryczne powinny jak najlepiej reprezenować poszukiwane regularności. W ogólności obowiązuje zasada im więcej, ym lepiej. W szczególności, jeżeli obserwujemy (lub domyślamy się isnienia) cyklicznej zmienności w analizowanym procesie, zbierane dane powinny obejmować minimum jeden pełen okres cyklu. Dane rzeczywise = Problemy nieregularny charaker kalendarza, warości brakujące, spowodowane np. dniem wolnym od pracy, awarią sysemu zbierania danych, zmiana charakeru/paramerów modelowanego procesu Przykład: Dane hisoryczne doyczące produkcji (oal). Czy należy ignorować fak, iż na pewnym eapie asorymen produków uległ zmianie? wiarygodność danych 7 8 Dane rzeczywise = Problemy (c.d.) obserwacje odsające przyczyny: Błędy w danych saysycznych (np. przy wprowadzaniu), Silny wpływ rzadko wysępującego czynnika zewnęrznego (np. jednorazowa realizacja bardzo dużego zamówienia, zw. elephan order), Silny wpływ rzadko wysępującego czynnika wewnęrznego (np. awaria urządzenia produkcyjnego), Środki zaradcze nieregularny charaker kalendarza: sandaryzacja długości miesiąca, sandaryzacja liczby dni roboczych w ygodniu. Przykład: Miesiąc Sprzedaż(sz) Sprzedaż po sandaryzacji L. dni sy lu mar kwi maj cze
6 Problem Manipulacje na poszczególnych warościach dezakualizują dane agregaowe (np. podsumowania). Miesiąc Sprzedaż(sz) Sprzedaż po sandaryzacji L. dni sy lu mar kwi maj cze Suma: Koreka Sprzedaż po Miesiąc Sprzedaż(sz) L. dni sandaryzacji Wskaźnik sy lu mar kwi maj cze Suma: => konieczność koreky. Przewarzanie obserwacji odsających i brakujących uwzględnić w modelu, rudne, ale najbardziej pożądane. pominąć (eliminować), wada: redukcja zbioru danych, zasąpićśrednią (arymeyczną) obserwacji sąsiednich, wada: słabe podparcie saysyczne, inerpolować funkcją złożoną, Przewarzanie obserwacji odsających X ( ) średnia arymeyczna inerpolacja braki danych 3 4 6
7 Inerpolacja wielomianowa Meoda Lagrange a: oszacowanie współczynniki Gdzie: N liczba węzłów inerpolacji L f ( ) = f ( i ) Pi ( ) i= ( ) L j i j Pi ( ) = ( ) j i i j numer chwili, dla kórej dokonuje się szacunku nieznanej warości szeregu czasowego, f( ) warość ego szacunku P i L współczynniki wielomianu Lagrange a Założenie: liczba brakujących punków jes niewielka. N Inerpolacja wielomianem - przykład Warość brakująca Czas Sprze daż Mian. Licz. P L f ( ) = f ( i ) Pi ( ) i= ( ) L j i j Pi ( ) = ( ) j i i j P P P3 P P P3 P P P3 Inerpolacja ??? Skąd en wynik?! N 5 6 Inerpolacja wielomianem - przykład Warość brakująca Sprzedaż L f ( ) = f ( i ) Pi ( ) i= ( ) L j i j Pi ( ) = ( ) j i i j Sprzedaż sy lu mar kw i maj cze N Przebieg wykładu Zbieranie i przygoowywanie danych Analiza szeregów czasowych Dekompozycja szeregu czasowego Prognozowanie Prognozowanie w przedsiębiorswie Uwagi końcowe Sudium przypadku Skąd en wynik?! 7 8 7
8 Cel Analiza szeregów czasowych Opisanie ilościowe dynamiki szeregu czasowego (SC) Podsawowe miary sosowane w analizie SC o przyrosy: absoluny sosunkowy oraz ich średnie. 9 3 Przyros absoluny Różnica w poziomie zjawiska zanoowana w dwóch różnych okresach/momenach, y y gdzie y - poziom zjawiska w okresie/chwili, y - poziom odniesienia, w zw. okresie podsawowym. Ciągi przyrosów absolunych Za pomocą przyrosów można uworzyć ciąg przyrosów absolunych jednopodsawowy, lub łańcuchowy y y y y, K,, y y n y y, y y, K, y n yn 3 3 8
9 Ciągi przyrosów absolunych - przykład Samochody osobowe (san na dzień 3 XII) Laa Liczba Przyrosy absolune samochodów jednopodsawowy łańcuchowy Przyros sosunkowy Sosunek przyrosu absolunego do poziomu zjawiska w okresie wyjściowym, y y y gdzie y - poziom zjawiska w okresie/chwili, y - poziom odniesienia, w zw. okresie podsawowym. Za: [Kassyk-Rokicka 998] Ciągi przyrosów sosunkowych Za pomocą sosunków można uworzyć ciąg przyrosów względnych jednopodsawowy, lub y y y, y, łańcuchowy, yn y K y y y y y y,, K, y y y yn y y n n Ciągi przyrosów sosunkowych- przykład Samochody osobowe (san na dzień 3 XII) Laa Liczba Przyrosy sosunkowe samochodów jednopodsawowy łańcuchowy ,6, ,36, ,87, ,36,56 Za: [Kassyk-Rokicka 998]
10 Wskaźniki (indeksy) dynamiki Sosunek poziomu zjawiska w okresie badanym do poziomu zjawiska przyjęego za podsawę porównania. Wyróżnia się indeksy: indywidualne (prose), zespołowe (agregaowe). y y Prose wskaźniki dynamiki Podobnie jak w przypadku przyrosów, można rozparywać wskaźniki: jednopodsawowe łańcuchowe y i / c = y i / c y = y Wskaźniki dynamiki - przykład Laa Liczba Wskaźniki dynamiki samochodów jednopods. łańc , ,6, ,36, ,87, ,36,56 Średnie empo zmian a wskaźniki dyn. Średni łańcuchowy indeks dynamiki orzymujemy za pomocąśredniej geomerycznej: i / = n / 3/ / = n i i Kin n iτ / τ τ = Średnie empo zmian (średni wskaźnik empa) o średni łańcuchowy indeks dynamiki pomniejszony o : T = i / Np. średnie empo zmian dla przykładu samochodowego : T = i 5 4 / = =.359 =.359 =.8 n Czyli: średni przyros liczby samochodów w laach wynosił około 8% rocznie. 39 4
11 Średnie empo zmian prościej Przy wymnażaniu kolejnych indeksów łańcuchowych dochodzi do uproszczeń: Agregaowe wskaźniki dynamiki i / i i Ki y y 3 = n n / 3/ n / n = n = n y y L y y n yn y Uwaga! Warość poznawcza średniego empa zmian maleje, gdy rozbieżności w indeksach dla poszczególnych okresów rosną (widać już o po części w przykładzie samochodowym ) 4 4 Agregaowe wskaźniki dynamiki Służą do badania dynamiki zjawisk złożonych i/lub niejednorodnych. Przykład: Mamy dane o produkcji cemenu i produkcji cegieł. Pyania: Jaka jes dynamika produkcji maeriałów budowlanych? Jaka będzie warość agregaowego wskaźnika dynamiki, gdy produkcja cemenu wzrasa, a cegieł spada? Wskaźniki agregaowe Podział: wskaźniki wielkości absolunych, wskaźniki wielkości sosunkowych. Inny podział: wskaźniki warości, wskaźniki ilości, wskaźniki cen
12 Agregaowy wskaźnik warości Sosunek sumy warości w badanym okresie do sumy warości w okresie podsawowym badanej grupy arykułów: j j w I w = j j w gdzie j o numer produku, a warość w o: j j j w = p q j j j q p I w = j j j q p Gdzie: p cena jednoskowa, q ilość (lub np. masa fizyczna). Agregaowy wskaźnik warości - przykład Sprzedaż w ys. sz. Jednoskowa cena sprzedaży Warość sprzedaży [zł] Termosy Wiadra plasykow Miksery Wiadra blaszane Ogółem Wskaźnik 3.9 Np. I w =3.9 oznacza, że łączna warość sprzedaży badanej grupy arykułów jes wyższa w badanym okresie o 9% w porównaniu z okresem podsawowym. Za: [Kassyk-Rokicka 998] Agregaowy wskaźnik ilości Inaczej: indeks rozmiarów/masy fizycznej Problem: jednosek fizycznych różnych produków nie można ze sobą bezpośrednio sumować (np. ile o jes razem 5 wiader i 7 mikserów?) Rozwiązanie: posłużyć się ceną, jednocześnie absrahując od poziomu i relacji cen. j j = j q pc I a sama cena q / pc j j j q pc Ceną sałą p c może być cena z okresu podsawowego p lub badanego p. Agregaowy wskaźnik ilości Ceną sałą p c może być cena z okresu podsawowego p => wskaźnik Laspeyresa I j j j = j j j q p badanego p => wskaźnik Paaschego I q q / p / p q p q p j j j = j j j q p Uwaga: Licznik wskaźnika L. i mianownik wskaźnika P. zawierają wielkości nierzeczywise, j. wielkości fizyczne w jakimś okresie przeliczane po cenach z innego okresu
13 Agregaowy wskaźnik ilości - przykład 49 Wskaźnik Laspeyresa Sprzedaż w ys. sz. Jednoskowa cena sprzedaży Wielkości pomocnicze [zł] q*p q*p Termosy Wiadra plasykow Miksery Wiadra blaszane Sumy Wskaźnik.853 Czyli: fizyczne rozmiary sprzedaży czerech badanych arykułów łącznie spadły w 995 r. w porównaniu z 99 r. średnio o -85.3=4.7% przy założeniu niezmiennego sysemu cen z 99 r. Agregaowy wskaźnik ilości - przykład 5 Wskaźnik Paaschego Sprzedaż w ys. sz. Jednoskowa cena sprzedaży Wielkości pomocnicze [zł] q*p q*p Termosy 48 4,65 4,9 3695, 378, Wiadra plasykow 6 85,65 4, 977, 949, Miksery 5 85, 9, 765, 9468, Wiadra blaszane ,,5 3864, 357, Sumy 9336, 957, Wskaźnik,84 Czyli: fizyczne rozmiary sprzedaży czerech badanych arykułów łącznie spadły w 995 r. w porównaniu z 99 r. średnio o -84.=6.% przy założeniu niezmiennego sysemu cen z 995 r. Wnioski Zesawienie: Agregaowy wskaźnik warości: 3.9 Wskaźnik Laspeyresa:.853 Wskaźnik Paaschego:.84 Oba indeksy dają warości (bardzo) różne od agregaowego wskaźnika warości (39%), ak więc na wzros warości miał eż wpływ ruch cen. Indeks Fishera Problem: przyjęcie cen z okresu lub jes dość arbiralne. Rozwiązanie: Indeks Fishera - Kompromis pomiędzy dwoma agregaowymi wskaźnikami ilości: Dla naszego przykładu: I F I = F I q / p I q / = =.846 p 5 5 3
14 Agregaowy wskaźnik cen Idea: unieruchomienie czynnika ilości, j. przyjęcie zw. sałego koszyka ilości. Zaem: ogólna posać: j j j qc p I p / q = c j j j qc p I analogicznie do wskaźnika ilości dwie formuły: Laspeyresa j j = j q p I p / q j j j q p Paaschego I p / q q p j j j = j j j q p Agregaowy wskaźnik cen - przykład Wskaźnik Laspeyresa Sprzedaż w ys. sz. Jednoskowa cena sprzedaży Wielkości pomocnicze [zł] q*p q*p Termosy 48 4,65 4,9 378, 3, Wiadra plasykow 6 85,65 4, 949, 379, Miksery 5 85, 9, 9468, 344, Wiadra blaszane ,,5 357, 336, Sumy 957, 93, Wskaźnik 3,796 Czyli: wzros cen sprzedaży czerech badanych arykułów łącznie wzięych wynosi średnio 79.6% w badanym roku 995 r. w porównaniu z 99 r., przy przyjęciu sałych ilościowo rozmiarów sprzedaży na poziomie roku podsawowego (99) Agregaowy wskaźnik cen - przykład Wskaźnik Paaschego Sprzedaż w ys. sz. Jednoskowa cena sprzedaży Wielkości pomocnicze [zł] q*p q*p Termosy 48 4,65 4,9 3695, 53, Wiadra plasykow 6 85,65 4, 977, 365,5 Miksery 5 85, 9, 765, 87, Wiadra blaszane ,,5 3864, 47, Sumy 9336, 493,45 Wskaźnik 3,74 Zależności pomiędzy wskaźnikami Wskaźniki prose: Wskaźniki agregaowe w i = i i w I = I w I = I q q / p q / p p I I p / q p / q Czyli: wzros cen sprzedaży czerech badanych arykułów łącznie wzięych wynosi średnio 74.% w badanym roku 995 r. w porównaniu z 99 r., przy przyjęciu sałych ilościowo rozmiarów sprzedaży na poziomie roku badanego (995)
15 Przebieg wykładu Zbieranie i przygoowywanie danych Analiza szeregów czasowych Dekompozycja szeregu czasowego Prognozowanie Prognozowanie w przedsiębiorswie Uwagi końcowe Sudium przypadku Dekompozycja szeregu czasowego i konsrukcja modelu Idea Poszukujemy adekwanego, i możliwie oszczędnego modelu wyjaśniającego obserwowane szeregi. Na przykład: spośród kilku możliwych do zasosowania modeli wybieramy en, kóry charakeryzuje się najmniejszą liczbą paramerów. Podłoże filozoficzne: brzywa Ockhama (Occam s razor; William of Ockham 85-?) One should no increase, beyond wha is necessary, he number of eniies required o explain anyhing. Nie należy mnożyć byów ponad porzebę. Overfiing Problem: nawe jeżeli zbudujemy model bardzo dobrze (j. z małym błędem) wyjaśniający dane hisoryczne, o nie mamy gwarancji, czy generowane przez niego prognozy będą równie dobre. W prakyce: model zby dokładnie dopasowany (overfied) do danych hisorycznych/uczących zazwyczaj sprawuje się na nowych danych (u: w przyszłości) gorzej niż model prosszy, gorzej dopasowany do danych hisorycznych (oczywiście do pewnego sopnia). Powód: indukcyjny charaker procesu konsruowania modelu zjawiska i prognozowania
16 Overfiing przykład Once upon a ime here was a lile girl named Emma. She had never eaen banana in all her life nor had she ever aken a journey on a rain. On one occasion circumsances made necessary for her o journey from New York o Pisburgh alone. To relieve Emma's anxiey her moher gave her a large bag of bananas o ea on her railway journey wes. A Emma's firs bie of her banana, he rain plunged ino a unnel. A he second bie, he rain broke ino he dayligh again. Emma, being a brigh lile girl, akes a hird bie. Lo! Ino a unnel. A fourh bie and ino he dayligh again. And so on all he way o Pisburgh (and all he way o he boom of he bag of bananas). Is Emma jusified in saying o he people who me her a he saion, ``Every odd bie of a banana makes you blind; every even bie pus hings righ again? [N. H. Hanson, za: H.Bensusan, Odd bies ino bananas don' make you blind -- learning abou simpliciy and aribue addiion ] Overfiing - przykład Wielkość sprzedaży Dane hisoryczne Przyszłość Wielom. (Dane hisoryczne) Czas y = -.875x 5 +.3x x x x Ogólne założenie Obserwowany przebieg X() składa się z: części sysemaycznej (kórej model chcemy zbudować), szumu. Uwaga: składa się niekoniecznie oznacza w ym konekście sumę. Szum urudnia analizę procesu. Może wynikać z: błędów pomiarowych, inerakcji procesu z ooczeniem, nieprzewidywalnych zdarzeń losowych. Podsawowa srukura SC sały (przecięny) poziom zmiennej, rend (endencja rozwojowa) - reprezenuje ogólny monooniczny kierunek rozwoju zjawiska; może być linowy, lub nieliniowy, np. logarymiczny, wykładniczy składowa okresowa (wahania okresowe) - składnik powarzający się cyklicznie, szum (zakłócenia, wahania przypadkowe)
17 Podsawowa srukura SC W szczególności, składowa okresowa może być wypadkową wahań: cyklicznych o niesałym okresie i/lub ampliudzie (np. cykl koniunkuralny gospodarki, cykl rozwoju populacji nabywców danego produku, ec.), i/lub sezonowych o dość sałym okresie i ampliudzie (wynikają z zachowań ludzi wynikających z kalendarza, np. rym pracy w skali ygodnia, dnia, pory roku, święa, ec.) Ilusracja srukury SC na przykładzie Srukura addyywna Składowe Czynnik sały Trend Składowa okresowa Szum Przebieg Czas Ilusracja srukury SC na przykładzie Srukura muliplikaywna.5.5 Czynnik sały Trend Składowa okresowa Szum Przebieg Przykład: seria G Liczba pasażerów pewnych linii loniczych w USA w poszczególnych miesiącach w laach Składowe Czas [Box & Jenkins 976]
18 Taksonomia meod analizy/modelowania SC analiza rendu, analiza sezonowości, dopasowanie funkcji (aproksymacja), analiza widmowa (Fouriera), wyrównywanie wykładnicze, dekompozycja sezonowa, podejścia niekonwencjonalne (sieci neuronowe, heurysyki worzone ad hoc, specjalizowane, ec.) Wyodrębnianie i analiza rendu Dwie grupy meod: mechaniczne (średnie ruchome) analiyczne, opare na meodzie najmniejszych kwadraów. (Ograniczamy się do meod ilościowych) 69 7 Trend meody mechaniczne Wygładzanie - polega na lokalnym (w czasie) uśrednieniu przebiegu. Najbardziej popularna meoda: średnia ruchoma (moving average): Warość przeworzona X () jes pewną średnią n próbek wokół (czyli dokładniej próbek X(n/),...,X(+n/). Średnie ruchome Średnia ruchoma 3-okresowa: y y + y + = + y 3 Problem: jak liczyćśrednią ruchomą z parzysej liczby okresów (momenów)? Najczęściej sosuje się: średnią arymeyczną (wygładzanie arymeyczne), medianę
19 Średnia ruchoma ogólna definicja Średnia ruchoma n-okresowa zdefiniowana jes nasępująco: dla n nieparzysych + n / n y = y n τ = n / dla n parzysych (zw. średnie ruchome scenrowane) y n + n / = y + y n / + y + n τ = n / + n / Średnia ruchoma podsumowanie Nie należy przesadzać zby długa średnia ruchoma prowadzi do zamazania endencji rozwojowej i skrócenia przebiegu czasowego (=> uraa danych). Inna wada: brak możliwości przedsawienia głównej endencji w formie maemaycznej funkcji rendu. Na przykład dla n=4: y + y + y3 + y4 + y5 4 y 3 = Wygładzanie arymeyczne - przykład Trend - meoda analiyczna Gdy isnieje wyraźna, monooniczna zależność -> dopasowanie funkcji (aproksymacja). y = f ( ) + z gdzie: f() funkcja rendu, z składnik reszowy Problem: nie znamy z góry posaci analiycznej rendu. Zaem niezbędne jes u aprioryczne założenie
20 Regresja liniowa Funkcja f() jes liniowa: Warości paramerów a i b poszukujemy przez minimalizację składnika reszowego: min Wówczas oszacowanie: y = a + b + z z = ( y f ( ) ) = ( y a b) Sosując maemayczne warunki minimalizacji powyższego wyrażenia dosajemy: n y y y a a b =, = n ( ) n y = a + b Regresja liniowa - przykład Dane: Liczba dni nie przepracowanych z powodu choroby Za: [Kassyk-Rokicka 998] Laa Kwarały Dni w ys. 99 I 9 II 7 III 6 IV 99 I II 8 III 6 IV I II 9 III 7 IV I II 9 III 9 IV I 4 II III IV Regresja liniowa - przykład 3 Trend liniowy - przykład Szereg G po odjęciu rendu liniowego 5 Dni w ysiącach 5 Dni w ys. Prosa regresji Czas 79 8
21 Ocena jakości dopasowania (regresji) Problem: regresja liniowa da zawsze jakiś wynik (warości a i b). Czy o oznacza, że zależność liniowa zawsze isnieje? Konieczność oceny jakości dopasowania. Sosując regresję wyjaśniamy ylko część zmienności; pewna część zmienności zjawiska pozosaje niewyjaśniona. Ocena jakości dopasowania Współczynnik deerminacji informuje, jaka część zaobserwowanej (w próbie) całkowiej zmienności y zosała wyjaśniona (przez f()) względem. ( f ( ) y) r =, r, ( y y) Współczynnik indeerminacji informuje, jaka część zaobserwowanej (w próbie) całkowiej zmienności y nie zosała wyjaśniona względem. Można dowieść, że: ( f ( ) y ) z ϕ = =, ϕ, ( y y) ( y y) r +ϕ = 8 8 Ocena jakości dopasowania przykład Kwadra odchylenia modelu od średniej Kwadrad odchylenia danych hisorycznych od średniej Czas Laa Kwarały Dni w ys. Prosa regresji 99 I Współczynniki równan.5 II prosej regresji y=a+b.5 3 III a IV b I II III Średnia.5 8 IV I.3..5 II III IV I II III IV I II III IV Suma odch. Kw. 95 Współczynnik deerminacji.34 Współczynnik indeerminacji.66 Ocena jakości dopasowania Wariancja składnika reszowego miara niedopasowania funkcji regresji do regresji empirycznej (danych) Gdzie: S ( z) n zi i= = = n λ n ( yi ayxi by ) i= n λ, S n liczba badanych okresów (momenów), ( z) = S ( z) λ liczba niezależnych zmiennych w modelu regresji (dla regresji liniowej λ=) Przesłanka: miarą wielkości przecięnego błędu losowego popełnianego przy esymacji nieznanego parameru z populacji generalnej za pomocą esymaora jes odchylenie sandardowe esymaora
22 Ocena jakości dopasowania przykład Kwarały Dni w ys. Prosa regresji Składnik reszowy Kwadra składnika reszowego I Współczynniki równania II prosej regresji y=a+b III a.3 IV b 7. I II III IV I II III IV I II III IV I II III IV Suma kwadraów resz 9.3 Wariancja składnika reszowego 7.8 chylenie sandardowe składnika reszowego.68 Obliczanie błędów szacunku paramerów Zagadnienie pokrewne w sosunku do oceny jakości dopasowania, doyczy jednak jakości oszacowania paramerów a i b. Przecięny błąd losowy oszacowania współczynnika rendu liniowego (a) i wyrazu wolnego (b): S( a) = S( b) = S( z ) S( z ) n = n n n = n = n Inne posaci rendu logarymiczny, wykładniczy, wielomianowy (prosy), ilorazowy, Analiza okresowości Cel: wyodrębnienie składowej okresowej (sezonowej, cyklicznej). Pyanie: czy w ogóle isnieje? jak odróżnić ją od składnika losowego? Ważne rozgraniczenie: okres zmian cyklicznych znany => wskaźniki wahań okresowych, okres zmian cyklicznych nieznany => (np.) analiza auokorelacji
23 Analiza okresowości (sezonowości) Wskaźniki wahań okresowych (sezonowości) uzyskujemy przez porównanie wyrazów szeregu empirycznego (pierwonego) z szeregiem eoreycznym (reprezenującym rend). Przypomnienie: okresowość może mieć (względem rendu) charaker addyywny lub muliplikaywny. 89 Addyywne wskaźniki okresowości Addyywny (bezwzględny) wskaźnik okresowości: gdzie: 9 ( yi yi ) ni g i = n i=,,...,d - liczba podokresów w cyklu okresowości (np. dla danych kwaralnych o rocznym cyklu wahań d=4, dla danych miesięcznych d=, ec.) n i liczba numerów obserwacji, kóre doyczą i-ego podokresu. Miary g i mają charaker absoluny i rzeba je skorygować, aby ich suma w cyklu wahań była równa. W ym celu definiujemy wskaźnik korygujący: d k = g g i d i i= Addyywne wskaźniki okresowości Wówczas czyse wskaźniki okresowości o: i spełniają one warunek g = g k i i d g i i= g = Muliplikaywne wskaźniki okresowości Muliplikaywny (względny) wskaźnik okresowości (surowy): ( yi / yi ) ni O i = ni (oznaczenia jak w przypadku addyywnym). Sosujemy wskaźnik korygujący: = d O i i= Wówczas oczyszczony wskaźnik okresowości: i zachodzi: d i= O i = d k d O = O k i i 9 9 3
24 Analiza okresowości przykład Przypadek : rend wyodrębniony meodą mechaniczną, j. średnimi ruchomymi scenrowanymi. Dni w ysiącach Dni w ys. Średnie ruchome scenrowane (4- okresowe) I II III IV I II III IV I II III IV I II III IV I II III IV Czas Przykład wskaźniki bezwzględne Kwarały Laa Kwarały Dni w ys. Średnie ruchome scenrowane (4- okresowe) I II III IV 99 I 9 II 7 III IV I II III IV I 9.9. II III IV I.. II III IV I II III IV 7 Suma (licznik wyrażenia we wzorze) Suma konrolna Bezwzględny wskaźnik okresowości Współczynnik korygujący -. Skorygowany (czysy) wskaźnik [ys. h] Przykład wskaźniki względne Kwarały Laa Kwarały Dni w ys. Średnie ruchome scenrowane (4- okresowe) I II III IV 99 I 9 II 7 III IV I 8.8. II III IV I 9.9. II III IV I.. II III IV I 4.6. II.9.9 III IV 7 Suma (licznik wyrażenia we wzorze) Suma konrolna Względny wskaźnik okresowości Współczynnik korygujący.5 Skorygowany (czysy) wskaźnik Przykład inerpreacja W pierwszym kwarale każdego badanego roku, ylko i wyłącznie na skuek działania czynnika okresowości, liczba dni nie przepracowanych z powodu choroby jes wyższa od poziomu zjawiska określonego przez rendśrednio o 5.8%, w drugim i rzecim kwarale niższa średnio o 7.6% i 5.%, a w czwarym wyższa średnio o 6.9% (współczynniki względne). Współczynniki bezwzględne podają skalę ych odchyleń w liczbach bezwzględnych
25 Analiza okresowości przykład Przypadek : rend wyodrębniony meodą analiyczną, j. meodą regresji liniowej. 97 Czas Laa Kwarały Dni w ys. Prosa regresji 99 I 9 Współczynniki równania 7,5 II 7 prosej regresji y=a+b 7,83 3 III 6 a,3 8,4 4 IV b 7, 8, I 8,77 6 II 8 9,9 7 III 6 9,4 8 IV 3 9, I,3 II 9,34 III 7,66 IV 5, I,9 4 II 9,6 5 III 9,9 6 IV 6, I 4,54 8 II,86 9 III 3,7 IV 7 3,49 Przykład wskaźniki bezwzględne 98 Czas Laa Kwarały Dni w ys. Prosa regresji I II III IV 99 I II III IV a I b 7. 6 II III IV I.. II III IV I..8 4 II III IV I II III IV Suma (licznik wyrażenia we wzorze) Suma konrolna Bezwzględny wskaźnik okresowości Współczynnik korygujący.5 Skorygowany (czysy) wskaźnik [ys. h] Kwarały Przykład wskaźniki względne Kwarały Porównanie wyników przykładów Czas Laa Kwarały Dni w ys. Prosa regresji I II III IV 99 I II III IV 8.4. a I 8.8. b 7. 6 II III IV I.. II III IV I.. 4 II III IV I II III 3..9 IV Suma (licznik wyrażenia we wzorze) Suma konrolna Względny wskaźnik okresowości Współczynnik korygujący. 99 Skorygowany (czysy) wskaźnik.6.93 soboa,.85kwienia Meoda mechaniczna analiyczna Kwarał I II III IV Wskaźnik bezwzględny względny bezwzględny względny Konkluzja: miary okresowości uzyskane meodą mechaniczną i meodą analiyczną nie są idenyczne, ale bardzo zbliżone. Wybór modelu Ponieważ ampliudy zmian okresowych są względnie sałe, należałoby wybrać model addyywny. 5
26 Porównanie przebiegu rzeczywisego z modelem Analiza sezonowości - Auokorelacja Cel: pomaga wykryć długość okresu wahań cyklicznych Dni w ys Dni w ys. Esymaa Opisuje zależność przebiegu od niego samego, ściślej: zależność korelacyjną między i-ym elemenem szeregu a i*k-ym elemenem szeregu (dla różnych rzędów/opóźnień k). ( ( ) )( ( ) ) ( ( ) ) X X X + k X ρ X, k = σ Czas Auokorelacja - przykład Funkcja auokorelacji dla serii G Lag Corr. S.E Funkcja auokorelacji SZEREG_G: Miesięczna liczba pasażerów (w ysiącach) (Błędy sandardowe o oceny białego szumu) Q p Przebieg wykładu Zbieranie i przygoowywanie danych Analiza szeregów czasowych Dekompozycja szeregu czasowego Prognozowanie Prognozowanie w przedsiębiorswie Uwagi końcowe Sudium przypadku
27 Prognozowanie Moo: Prognozowanie o szuka przewidywania przyszłości... i uzasadniania, dlaczego owe przewidywania się nie sprawdzają Forecasing is he ar of saying wha will happen, and hen explaining why i didn [Chafield 986] Definicja (cechy) prognozy prognoza jes formułowana z wykorzysaniem dorobku nauki, prognoza jes swierdzeniem odnoszącym się do określonej przyszłości, prognoza jes swierdzeniem weryfikowalnym empirycznie, prognoza nie jes swierdzeniem sanowczym (jes niepewna), ale jes swierdzeniem akcepowanym. Za [Cieślak 993] 5 6 Celowość konsruowania prognoz Analogia do praw mechaniki Newona (!): prawidłowości obserwowane w danych są ym wyraźniejsze, im silniejsze są powiązania zjawisk (procesów, podmioów) je generujących, zależności obecne w świecie rzeczywisym charakeryzują się częso wysępowaniem pewnej inercji, (doyczy m.in.. prognozowania gospodarczego) Założenia zaobserwowany rend nie zmieni się co do kszału i siły działania w okresie przyszłym, wahania przypadkowe nie zakłócą znacząco zaobserwowanego rendu. Wnioski: Spełnienie powyższych założeń ma większą szansę powodzenia dla okresów leżących bliżej osaniego okresu badanego aniżeli dla okresów bardziej odległych. Niezbędna wiedza dziedzinowa, czyli znajomość charakeru zjawiska, przyczyn (np. ekonomicznych czy pozaekonomicznych) warunkujących jego rozwój
28 Eapy posępowania prognosycznego Zgromadzenie maeriału empirycznego (ze źródeł wewnęrznych i zewnęrznych). Przeworzenie maeriału empirycznego. Przyjęcie reguły prognosycznej. Usalenie horyzonu prognozy. Ocena jakości skonsruowanej prognozy.... świecenie oczami przed przełożonymi lub zleceniodawcą, gdy prognoza się nie sprawdza ;-) Błąd prognozy ex ane Błąd prognozy ex ane jes o dokonana w chwili budowy prognozy ocena różnicy między rzeczywisą warością zmiennej Y w momencie/okresie >n (n numer osaniej znanej obserwacji) a wyznaczoną prognozą. Ocenia wiarygodność prognozy. Cechy: esymaa, opinie sformułowane na jego podsawie da się zweryfikować po upływie czasu, do kórego prognoza się odnosi, daje się wyznaczyć ylko dla prognoz ilościowych, nie wszyskie meody pozwalają na jego wyznaczenie. 9 Błąd prognozy ex pos Błąd prognozy ex pos o inaczej rafność prognozy. Rodzaje: Bezwzględny błąd prognozy ex pos q = y y Względny błąd prognozy ex pos * y y Ψ = % y Średni błąd absoluny: MSE = z n Średni procenowy błąd absoluny: MSE MAPE = y * Meody prognozowania 8
29 Rodzaje modeli szeregów czasowych dla prognozowania Modele ze sałym poziomem zmiennej prognozowanej Dokonuje się podziału ze względu na (domniemaną) posać SC na: modele ze sałym poziomem zmiennej prognozowanej, modele z rendem, modele z wahaniami okresowymi (sezonowymi i/lub cyklicznymi), + kombinacje. 3 4 Modele prognozowania naiwne opare na bardzo prosych przesłankach doyczących przeszłości, i zakładające, iż nie wysąpią zmiany w doychczasowym sposobie oddziaływania czynników określających warości zmiennej prognozowanej, umożliwiają budowanie jedynie prognoz krókookresowych, Najprossza wersja (opara na modelu zw. błądzenia losowego znanym ze saysyki): * y = y Badania pokazują [Makridakis 989], że w niekórych zasosowaniach prognozy naiwne sprawdzają się bardzo dobrze (np. rynek papierów warościowych) (!). Modele średniej ruchomej (prosej) Wykorzysywane zarówno do wygładzania, jak i prognozowania. Założenie: poziom warości zmiennej prognozowanej jes prawie sały w rozparywanym okresie (niewielkie odchylenia losowe, brak sezonowych i cyklicznych). Idea: warość zmiennej prognozowanej w nasępnym okresie jes równa średniej arymeycznej z k osanich warości ej zmiennej: * y = y i k i= k gdzie: k - sała wygładzania. Problem: jak dobrać k? 5 6 9
30 Dobór sałej wygładzania k Można oprzeć na badaniu średniokwadraowego błędu prognozy ex pos: n * * s = ( y y ) n k = k+ Idea: wybierz ę warość k, kóra minimalizuje esymaę błędu s*. Wada modelu średniej ruchomej: wszyskie obserwacje z rozparywanego okna hisorii parycypują w ym samym sopniu w budowaniu prognozy. Idea: Nadawać mniejsze wagi obserwacjom sarszym => posarzanie informacji. Model średniej ruchomej ważonej Prognoza zbudowana na podsawie ważonej średniej ruchomej z odpowiednio dobranymi wagami: gdzie: w i waga nadana przez prognosę. Problem: jak dobrać wagi w i? * y = yiwi + k + i= k i, k : wi < wi + w >, wk k wi = i= 7 8 Model wygładzania wykładniczego Idea: model średniej ruchomej ważonej z wagami dobranymi wg prawa wykładniczego. Rozważamy zw. prosy model wyrównywania wykładniczego. Założenia: prawie sały poziom zmiennej i wahań przypadkowych. Formuła: gdzie: y * α (,] + ( α ) y * = αy α paramer wygładzania, waga nadana osaniej (najnowszej) obserwacji zmiennej prognozowanej. Model wygładzania wykładniczego Inna reprezenacja: Jes o zaem w sumie prognoza naiwna korygowana osanio popełnionym błędem bezwzględnym ex pos. Problem: jak dobrać α? y * * ( y y ) * = y + α Odpowiedź: można esymować podobnie jak w przypadku sałej wygładzania. n * * s = ( ) y y n k = k+ 9 3
31 Modele z rendem Model z rendem posać ogólna Model addyywny y = f ( ) + ς Model muliplikaywny y = f ( ) ς gdzie: f() funkcja rendu, ζ - zmienna losowa (wahania przypadkowe). Sosowane modele szeregów z rendem analiyczne, opare na funkcjach segmenowych, model Hola, auoregresyjne, podwójnej średniej ruchomej. Modele analiyczne Kluczowy problem: usalenie posaci analiycznej funkcji rendu (na podsawie przesłanek wynikających z mechanizmu rozwojowego zmiennej prognozowanej, czyli pewnej wiedzy dziedzinowej). Modele przydane w prakyce można podzielić na wykorzysujące: funkcje o sałych przyrosach (model liniowy), funkcje o rosnących przyrosach, funkcje o malejących przyrosach. (Zasadniczo chodzi u o warość bezwzględną przyrosu) 3 4 3
32 Eap : Wybór funkcji rendu Wyboru funkcji rendu dokonujemy na podsawie przesłanek empirycznych (analiza danych), dedukcyjnych (wiedza dziedzinowa). Im bardziej złożona funkcja rendu, ym lepiej powinna być uzasadniona od srony dedukcyjnej, j. wynikać z głębszych, meryorycznych przesłanek doyczących mechanizmu rozwojowego zjawiska. (Pewien związek z zasadą brzywy Ockhama) Funkcje o rosnących przyrosach funkcja wykładnicza gdzie: β - sopa wzrosu. wielomian sopnia drugiego (parabola) = α + α + α α funkcja poęgowa ~ ~ ( α + β), β >, lub = αβ, y = exp β < y y, > y = α β, β > Przykład: przedsiębiorswo wprowadza na rynek nowy produk, kórego sprzedaż wzrasa (przez jakiś czas) nieograniczenie. Uwaga! Sosować ylko do prognoz krókookresowych! 5 6 Funkcje o malejących przyrosach funkcja logarymiczna funkcja poęgowa wielomian (parabola) odwronościowy α α α α wielomian (parabola) α y y = y = α + β ln, β > y = α β, β (,) + +, < = α + α + α, < Funkcje o malejących przyrosach Gdy ponado wiemy, że wzros zdąża do pewnego poziomu: funkcja liniowo-odwronościowa funkcja ilorazowa y y β = α +, β < = α, α, > β + β Przykład: względne nasycenie rynku. Zalea: mniejsze błędy (ryzyko) niż funkcje o rosnących przyrosach
33 Funkcja logisyczna Szczególne isona w zasosowaniach ekonomicznych, bo modeluje zw. krzywążycia produku. α y = + βe Trzy fazy: wprowadzenie produku na rynek, przyspieszone i malejące empo wzrosu popyu na produk, nasycenie rynku, spadek popyu. δ Eap : Esymowanie paramerów funkcji rendu Najczęściej: meoda najmniejszych kwadraów (MNK). [Nie doyczy funkcji logisycznej (zawiera nieliniowy związek pomiędzy paramerami a zmiennymi); wymaga innych meod, np. Hoellinga, Marquarda.] Ocena dopasowania: odchylenie sandardowe składnika reszowego (mianowane), współczynnik zmienności losowej (nie mianowany), współczynnik deerminacji, skorygowany współczynnik deerminacji. 9 3 Prognozowanie z rendem - przykład Sawianie prognozy na podsawie rendu wyznaczonego meodą analiyczną i wyznaczonych absolunych wskaźników okresowości. Kwarały Czas Laa Kwarały Dni w ys. Prosa regresji Prognoza I II III IV 4 II III IV I II III IV I 3.7 II 4. 3 III IV a.3suma (licznik wyrażenia we wzorze) Suma kon b 7. ezwzględny wskaźnik okresowości Współczynnik korygujący.5 Skorygowany (czysy) wskaźnik [ys. h] Modele auoregresyjne Przesłanka: wiele zjawisk charakeryzuje się pewną bezwładnością (opóźnieniem). Np. w sprzedaży: zw. zasada echa: popy resyucyjny na rwałe dobra konsumpcyjne jes echem popyu z la wcześniejszych. Posać ogólna: W prakyce najczęściej liniowa y = f ( y, y,..., y, ζ ) p logarymiczno-liniowa ln y = α + αi y i + ζ p y = α + α i y i + ζ i= i= p
34 Modele szeregów czasowych z wahaniami okresowymi Meody Dla przebieg z wahaniami okresowymi sezonowymi ( ławiejsze ), meoda wskaźników, analiza harmoniczna, cyklicznymi, podejścia wieloeapowe, najczęściej opare na wskaźnikach Modele ARMA i ARIMA Bardzo ogólna klasa modeli szeregów czasowych, zw. modele auoregresji i średniej ruchomej. Podsawa: zjawisko auokorelacji, j. korelacji warości zmiennej prognozowanej z warościami ej samej zmiennej opóźnionymi w czasie. Wyróżnia się rzy rodzaje: modele auoregresji, modele średniej ruchomej, modele mieszane auoregresji i średniej ruchomej. Szacowanie jakości prognozy ARMA = Auoregressive moving average ARIMA = Auoregressive inegraed moving average
35 Esymowanie błędu prognozy Średni błąd prognozy S p (Y T ): Gdzie: T okres (momen), na kóry prognozujemy, T=n,n+,... S(z ) odchylenie sandardowe składnika reszowego numeracja okresów w empirycznym szeregu czasowym - -średnia arymeyczna numerów okresów, N liczba badanych okresów (liczebność próby) 37 S p ( Y ) = S( z ) T ( T ) n = ( ) + + n Esymowanie błędu prognozy przykład 38 Bezwzględny wskaźnik okresowości Warość bezwzględna składnika reszowego Czas Laa Kwarały Dni w ys. Prosa regresji Esymaa Składnik reszowy 99 I 9 7,5,7 8,68,3,3 Współczyn II 7 7,83 -,55 6,8,7,7 prosej regr 3 III 6 8,4-3,6 5,8,9,9 a 4 IV 8,46 3,44,9 -,9,9 b 5 99 I 8,77,7 9,94,6,6 6 II 8 9,9 -,55 7,54,46,46 7 III 6 9,4-3,6 6,34 -,34,34 8 IV 3 9,7 3,44 3,5 -,5, I,3,7, -,, II 9,34 -,55 8,79,, III 7,66-3,6 7,6 -,6,6 IV 5,97 3,44 4,4,59, I,9,7,46 -,46,46 4 II 9,6 -,55,5 -,5,5 5 III 9,9-3,6 8,85,5,5 6 IV 6,3 3,44 5,67,33, I 4,54,7 3,7,9,9 8 II,86 -,55,3 -,3,3 9 III 3,7-3,6, -,, IV 7 3,49 3,44 6,93,7,7 Suma warości bezwzględnych resz 8, MSE,4 Esymowanie błędu prognozy przykład Dni w ys Dni w ys. (dane) Esymaa Składnik reszowy Esymowanie błędu inerpreacja Prognozowana liczba dni nie przepracowanych z powodu choroby dla IV kwarału 996 wynosi 8. ys. dni, z dokładnością.4 dni (czyli.4/8.=.45% dla ego okresu) Czas
36 Rozkład odchyleń losowych modelu Badania rozkładu odchyleń losowych doyczą: symerii (czy liczby odchyleń dodanich i ujemnych są akie same), losowości (es serii), niezależności (doyczy niezależności nasępujących po sobie resz), nieobciążoności (czy warość oczekiwana reszy jes równa ), normalności (np. przy użyciu percenyli). Z każdym z powyższych badań związany jes pewien es saysyczny. Dobry model powinien dawać negaywny wynik wszyskich powyższych esów. Inne zagadnienia związane z prognozowaniem 4 4 Prognozy ilościowe i jakościowe Prognozy ilościowe - doyczą przyszłej wielkości zjawiska. Prognozy jakościowe - doyczą zachowania zjawiska w przyszłości (np. charakerysyki rendu, nasycenia, załamania, ec.); zazwyczaj opare na sądach ekspera (-ów), modele myślowe. Szczególnym przypadkiem prognozowania jakościowego (isonym w zasosowaniach ekonomicznych) jes prognozowanie osrzegawcze. Prognozowanie osrzegawcze Zadaniem prognozy osrzegawczej jes dosarczenie na czas obserwacji o ewenualnej przyszłej niekorzysnej zmianie kierunku rozwoju czy naężenia badanego zjawiska (Siedlecka 996) W szczególności: Przypuszczenie, że w przyszłym momencie T san analizowanego zjawiska będzie niższy niż w momencie T -. Prognoza spadku Tak Nie Rzeczywisość Tak Nie
37 Prognozy punkowe i przedziałowe punkowe prognoza jes pojedynczą warością liczbową dla każdego okresu (momenu), przedziałowe określamy przedział poziomu zjawiska dla każdego okresu (momenu) (meodami esymacji paramerów). Prognoza saysyczna Wielkość x p () nazywa się prognozą saysyczną nie znanej warości X() szeregu czasowego dla <n+,t>, jeżeli dla pewnych ε i η zachodzi: P{ X ( ) x p( ) < ε} > η ε - wiarygodność prognozy, -η - (bliskie ) dokładność (precyzja) prognozy. Jes o zw. warunek dopuszczalności prognozy Koszy posępowania prognosycznego Można podzielić na: koszy zebrania danych, koszy przechowywania danych, koszy przewarzania danych. Koszy prognozowania a koszy sra Większe wydaki na przygoowanie prognoz => mniejszy sopień niepewności w procesie decyzyjnym i, w konsekwencji, mniejsze koszy (błędów). Koszy całkowie prognozowania sra opimum Sopień pewności 37
38 Horyzon prognozy - definicja naiwna Horyzon prognozy (horyzon czasowy) o osani momen (okresem), dla kórego budujemy prognozę. Okres prognozy długość przedziału pomiędzy osanim momenem (okresem), dla kórego znane są warości analizowanych przebiegów (osanim momenem, dla kórego znane są dane obserwowane, hisoryczne ), a horyzonem prognozy. Tradycyjnie wyróżnia się prognozy: krókoerminowe (< 3 miesiące), średnioerminowe (3 miesiące do la), i długoerminowe (> la). (w konekście prognozowania w przedsiębiorswie) Horyzon prognozy a ypy prognozy Krókoerminowa zakładamy, że w badanym zjawisku zajdą ylko zmiany ilościowe. Średnioerminowa w badanym zjawisku zajdą zmiany ilościowe i niewielkie zmiany jakościowe. Długoerminowa w badanym zjawisku mogą wysąpić zarówno zmiany ilościowe, jak i jakościowe Horyzon prognozy - definicja realisyczna Horyzon prognozy o Szuczne sieci neuronowe w prognozowaniu T = max { τ =... : δ δ } gdzie: δ dopuszczalny błąd prognozy, δ τ błąd prognozy dla (przyszłego) okresu (momenu). τ
39 Model szucznego neuronu Sieć warswowa x x x 3 x n w w w w w 3 n f(e) n wejść x i (synapsy) oparzonych wagami w i (wekor wag w i wekor wejść x) waga synapsy decyduje o jej ważności y neurony ułożone warswami połączenia ylko pomiędzy kolejnymi warswami jednokierunkowa (brak sprzężeń zwronych) neurony nieliniowe => percepron działanie sieci: propagacja sygnału od warswy wejściowej do wyjściowej wyjœcia sieci warswa wyjœciowa warswy ukrye warswa wejœciowa wejœcia sieci Zarys idei Prognozowanie ilościowe jakościowe? Inne zagadnienia związane z emaem Zagadnienia eoreyczne: Podejścia hybrydowe: jednoczesne sosowanie wielu meod reprezenujących różne filozofie. Prognozowanie zbiorów szeregów i analiza zależności pomiędzy szeregami. Serowanie procesami (co muszę podać na wejście, żeby orzymać pożądaną warość wyjścia). Analiza ryzyka. Wizualizacja
40 Przebieg wykładu Zbieranie i przygoowywanie danych Analiza szeregów czasowych Dekompozycja szeregu czasowego Prognozowanie Prognozowanie w przedsiębiorswie Uwagi końcowe Sudium przypadku Prognozowanie w przedsiębiorswie Prognozowanie w przedsiębiorswie Ooczenie markeingowe przedsiębiorswa zespół czynników zewnęrznych bezpośrednio lub pośrednio wpływających na jego działania (Diman 998) ooczenie = mikroooczenie + makroooczenie Mikroooczenie elemeny bezpośrednio wpływające na działanie przedsiębiorswa (dosawcy, konkurenci, pośrednicy markeingowi, nabywcy, inne podmioy) Makroooczenie wpływ pośredni (czynniki demograficzne, ekonomiczne, społeczno-kulurowe, nauralne, echnologiczne, poliyczno prawne, ec). Cecha wspólna: przedsiębiorswo ma na nie znikomy wpływ. Prognozowanie w przedsiębiorswie może być realizowane w warunkach: pewności (rzadko), ryzyka (znajomość [rozkładów] prawdopodobieńsw powiązanych z warianami), niepewności (brak znajomości rozkładów prawdopodobieńsw), niepełnej informacji (nieznajomości wszyskich warianów/kryeriów)
41 Po co prognozować w przedsiębiorswie? Porzeba prognozowania w przedsiębiorswie wynika z: niepewności przyszłości, opóźnienia w czasie między momenem podjęcia decyzji a wynikłymi z niej skukami. Niesey prognozy zjawisk gospodarczych, nawe przy lepszym niż obecnie poznaniu ich mechanizmów, nie osiągną nigdy sopnia pewności prognoz zjawisk fizycznych (Diman 998, s. 8) Procedury prognosyczne są obecnie częścią sysemu wspomagania decyzji większości sysemów informacji markeingowej. Badania pokazują, że ok.. 9% przedsiębiorsw w Europie Zachodniej sosuje prognozowanie krókoerminowe. 6 6 Szczoeczka pocieszenia albo Schandenfreude Przykłady wyjąkowo nierafnych prognoz: liczba koni w Paryżu (koniec XIX wieku), oszacowanie liczby samochodów we Francji: prognoza mln (945), rzeczywisość 4 mln (97), oszacowa ie wielkości poencjalnego rynku kserokopiarek przez IBM: prognoza 5 ys. (959), rzeczywisość ys. (97), Meody prognozowania sprzedaży ilościowe modele szeregów czasowych, modele ekonomeryczne, modele analogowe, modele zmiennych wiodących, modele analizy kohorowej, esy rynkowe, jakościowe opinie sprzedawców, opinie kierownicwa, opinie eksperów, badania inencji nabywców. (Diman 998)
42 Przebieg wykładu Zbieranie i przygoowywanie danych Analiza szeregów czasowych Dekompozycja szeregu czasowego Prognozowanie Prognozowanie w przedsiębiorswie Uwagi końcowe Sudium przypadku Narzędzia i pakiey programisyczne Pakiey analizy danych (przydane do analiz off-line przeprowadzanych raz na jakiś czas): Sagraphics SPSS SAS QS STATISTICA SCA Saisical Sysem Rozwiązania dedykowane (am gdzie wymagane jes prognozowanie on-line) => sudium przypadku Lieraura Kassyk-Rokicka, H. Saysyka nie jes rudna. Tom I: Mierniki saysyczne. Polskie Wydawnicwo Ekonomiczne, Warszawa, 998. Siedlecka, U. Prognozowanie osrzegawcze w gospodarce. Pańswowe Wydawnicwo Ekonomiczne, Warszawa, 996. Diman, P., Meody prognozowania sprzedazy w przedsiebiorswie. Wydawnicwo Akademii Ekonomicznej we Wrocławiu, Wrocław, 998. Box, G.E.P., Jenkins, G.M. Analiza szeregow czasowych. Pańswowe Wydawnicwo Naukowe, Warszawa, 983. Gaely, E. Sieci neuronowe. Prognozowanie finansowe i projekowanie sysemów ransakcyjnych. WIG-Press Warszawa, 999. Rybinski, K. Analiza echniczna. Wydawnicwo AWA-press, Warszawa, 995. Cyowania: Cieślak, M. Prognozowanie gospodarcze, 993. Osasiewicz S., Meody dyskryminacyjne w prognozowaniu dyskrenym, Ossolineum, Wrocław 989. Ćwiczenia Wsępne przewarzanie danych Analiza SC Wizualizacja SC Prognozowanie SC Szacowanie błędów prognoz Sudium przypadku i demonsracja sysemu PROGNOZA Narzędzia: MS Excel i Saisica
Cel Zbudowanie modelu pewnego zjawiska/procesu w oparciu o obserwowane zmiany w czasie pewnych mierzalnych wielkości opisujących ten proces.
Analiza szeregów czasowych i prognozowanie Dr inż. Krzyszof Krawiec Zakład Ineligennych Sysemów Wspomagania Decyzji Insyu Informayki, Poliechnika Poznańska Cel Zbudowanie modelu pewnego zjawiska/procesu
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 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. 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. 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoPOMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU
Pomiar paramerów sygnałów napięciowych. POMIAR PARAMERÓW SYGNAŁOW NAPIĘCIOWYCH MEODĄ PRÓKOWANIA I CYFROWEGO PRZEWARZANIA SYGNAŁU Cel ćwiczenia Poznanie warunków prawidłowego wyznaczania elemenarnych paramerów
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 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 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 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 szczegółowoNa poprzednim wykładzie omówiliśmy podstawowe zagadnienia. związane z badaniem dynami zjawisk. Dzisiaj dokładniej zagłębimy
Analiza dynami zjawisk Na poprzednim wykładzie omówiliśmy podstawowe zagadnienia związane z badaniem dynami zjawisk. Dzisiaj dokładniej zagłębimy się w tej tematyce. Indywidualne indeksy dynamiki Indywidualne
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 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 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 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 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 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 szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND Finanse i Rachunkowość rok 2 Analiza dynamiki Szereg czasowy: y 1 y 2... y n 1 y n. y t poziom (wartość) badanego zjawiska w
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 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 szczegółowoTeoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie
Teoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie Szkolenie dla pracowników Urzędu Statystycznego nt. Wybrane metody statystyczne w analizach makroekonomicznych dr
Bardziej szczegółowoAnaliza współzależności zjawisk
Analiza współzależności zjawisk Informacje ogólne Jednostki tworzące zbiorowość statystyczną charakteryzowane są zazwyczaj za pomocą wielu cech zmiennych, które nierzadko pozostają ze sobą w pewnym związku.
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 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 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 szczegółowoMAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak
MAKROEKONOMIA 2 Wykład 3. Dynamiczny model DAD/DAS, część 2 Dagmara Mycielska Joanna Siwińska - Gorzelak ( ) ( ) ( ) i E E E i r r = = = = = θ θ ρ ν φ ε ρ α * 1 1 1 ) ( R. popyu R. Fishera Krzywa Phillipsa
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 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 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 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 szczegółowoOcena płynności wybranymi metodami szacowania osadu 1
Bogdan Ludwiczak Wprowadzenie Ocena płynności wybranymi meodami szacowania osadu W ubiegłym roku zaszły znaczące zmiany doyczące pomiaru i zarządzania ryzykiem bankowym. Są one konsekwencją nowowprowadzonych
Bardziej szczegółowoRys.1. Podstawowa klasyfikacja sygnałów
Kaedra Podsaw Sysemów echnicznych - Podsawy merologii - Ćwiczenie 1. Podsawowe rodzaje i ocena sygnałów Srona: 1 1. CEL ĆWICZENIA Celem ćwiczenia jes zapoznanie się z podsawowymi rodzajami sygnałów, ich
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 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 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 szczegółowoĆwiczenia 3 ( ) Współczynnik przyrostu naturalnego. Koncepcja ludności zastojowej i ustabilizowanej. Prawo Lotki.
Ćwiczenia 3 (22.04.2013) Współczynnik przyrosu nauralnego. Koncepcja ludności zasojowej i usabilizowanej. Prawo Loki. Współczynnik przyrosu nauralnego r = U Z L gdzie: U - urodzenia w roku Z - zgony w
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
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 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 szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
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 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 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 szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
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 szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Maeriał dla sudenów Niesacjonarne zmienne czasowe własności i esowanie (sudium przypadku) Nazwa przedmiou: ekonomeria finansowa I (22204), analiza szeregów czasowych i prognozowanie (13201); Kierunek sudiów:
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 szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
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 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 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 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 szczegółowo2. Wprowadzenie. Obiekt
POLITECHNIKA WARSZAWSKA Insyu Elekroenergeyki, Zakład Elekrowni i Gospodarki Elekroenergeycznej Bezpieczeńswo elekroenergeyczne i niezawodność zasilania laoraorium opracował: prof. dr ha. inż. Józef Paska,
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 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 szczegółowoAnaliza i Zarządzanie Portfelem cz. 6 R = Ocena wyników zarządzania portfelem. Pomiar wyników zarządzania portfelem. Dr Katarzyna Kuziak
Ocena wyników zarządzania porelem Analiza i Zarządzanie Porelem cz. 6 Dr Kaarzyna Kuziak Eapy oceny wyników zarządzania porelem: - (porolio perormance measuremen) - Przypisanie wyników zarządzania porelem
Bardziej szczegółowoSZACOWANIE MODELU RYNKOWEGO CYKLU ŻYCIA PRODUKTU
B A D A N I A O P E R A C J N E I D E C Z J E Nr 2 2006 Bogusław GUZIK* SZACOWANIE MODELU RNKOWEGO CKLU ŻCIA PRODUKTU Przedsawiono zasadnicze podejścia do saysycznego szacowania modelu rynkowego cyklu
Bardziej szczegółowo... prognozowanie nie jest celem samym w sobie a jedynie narzędziem do celu...
4 Prognozowanie historyczne Prognozowanie - przewidywanie przyszłych zdarzeń w oparciu dane - podstawowy element w podejmowaniu decyzji... prognozowanie nie jest celem samym w sobie a jedynie narzędziem
Bardziej szczegółowoPROGNOZOWANIE. Ćwiczenia 3. mgr Dawid Doliński
Ćwiczenia 3 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 szczegółowoRACHUNEK EFEKTYWNOŚCI INWESTYCJI METODY ZŁOŻONE DYNAMICZNE
RACHUNEK EFEKTYWNOŚCI INWESTYCJI METODY ZŁOŻONE DYNAMICZNE PYTANIA KONTROLNE Czym charakeryzują się wskaźniki saycznej meody oceny projeku inwesycyjnego Dla kórego wskaźnika wyliczamy średnią księgową
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 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 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 szczegółowoPo co w ogóle prognozujemy?
Po co w ogóle prognozujemy? Pojęcie prognozy: racjonalne, naukowe przewidywanie przyszłych zdarzeń stwierdzenie odnoszącym się do określonej przyszłości formułowanym z wykorzystaniem metod naukowym, weryfikowalnym
Bardziej szczegółowoĆWICZENIE 7 WYZNACZANIE LOGARYTMICZNEGO DEKREMENTU TŁUMIENIA ORAZ WSPÓŁCZYNNIKA OPORU OŚRODKA. Wprowadzenie
ĆWICZENIE 7 WYZNACZIE LOGARYTMICZNEGO DEKREMENTU TŁUMIENIA ORAZ WSPÓŁCZYNNIKA OPORU OŚRODKA Wprowadzenie Ciało drgające w rzeczywisym ośrodku z upływem czasu zmniejsza ampliudę drgań maleje energia mechaniczna
Bardziej szczegółowoMetody ilościowe w systemie prognozowania cen produktów rolnych. Mariusz Hamulczuk Cezary Klimkowski Stanisław Stańko
Meody ilościowe w sysemie prognozowania cen produków rolnych nr 89 2013 Mariusz Hamulczuk Cezary Klimkowski Sanisław Sańko Meody ilościowe w sysemie prognozowania cen produków rolnych Meody ilościowe
Bardziej szczegółowoManagement Systems in Production Engineering No 4(20), 2015
EKONOMICZNE ASPEKTY PRZYGOTOWANIA PRODUKCJI NOWEGO WYROBU Janusz WÓJCIK Fabryka Druu Gliwice Sp. z o.o. Jolana BIJAŃSKA, Krzyszof WODARSKI Poliechnika Śląska Sreszczenie: Realizacja prac z zakresu przygoowania
Bardziej szczegółowoKONIUNKTURA W CIĘŻAROWYM TRANSPORCIE SAMOCHODOWYM. STAN W ROKU 2010 I PRZEWIDYWANIA NA ROK KOLEJNY
Sławomir Dorosiewicz Insyu Transporu Samochodowego KONIUNKTURA W CIĘŻAROWYM TRANSPORCIE SAMOCHODOWYM. STAN W ROKU 2010 I PRZEWIDYWANIA NA ROK KOLEJNY W arykule podsumowano wyniki badań koniunkury w ransporcie
Bardziej szczegółowoMETODY STATYSTYCZNE W FINANSACH
METODY STATYSTYCZNE W FINANSACH Krzyszof Jajuga Akademia Ekonomiczna we Wrocławiu, Kaedra Inwesycji Finansowych i Ubezpieczeń Wprowadzenie W osanich kilkunasu laach na świecie obserwuje się dynamiczny
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 szczegółowoModelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU
Modelowanie ryzyka kredyowego MODELOWANIE ZA POMOCA PROCESU HAZARDU Mariusz Niewęgłowski Wydział Maemayki i Nauk Informacyjnych, Poliechniki Warszawskiej Warszawa 2014 hazardu Warszawa 2014 1 / 18 Proces
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka
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 szczegółowoDopasowywanie modelu do danych
Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;
Bardziej szczegółowoStatystyka. Wykład 8. Magdalena Alama-Bućko. 10 kwietnia Magdalena Alama-Bućko Statystyka 10 kwietnia / 31
Statystyka Wykład 8 Magdalena Alama-Bućko 10 kwietnia 2017 Magdalena Alama-Bućko Statystyka 10 kwietnia 2017 1 / 31 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
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 szczegółowoStatystyka. Wykład 13. Magdalena Alama-Bućko. 18 czerwca Magdalena Alama-Bućko Statystyka 18 czerwca / 36
Statystyka Wykład 13 Magdalena Alama-Bućko 18 czerwca 2018 Magdalena Alama-Bućko Statystyka 18 czerwca 2018 1 / 36 Agregatowy (zespołowy) indeks wartości określonego zespołu produktów np. jak zmianiała
Bardziej szczegółowoMAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak
MAKROEKONOMIA 2 Wykład 3. Dynamiczny model DAD/DAS, część 2 Dagmara Mycielska Joanna Siwińska - Gorzelak ( ) ( ) ( ) E i E E i r r ν φ θ θ ρ ε ρ α 1 1 1 ) ( R. popyu R. Fishera Krzywa Phillipsa Oczekiwania
Bardziej szczegółowoPodstawy elektrotechniki
Wydział Mechaniczno-Energeyczny Podsawy elekroechniki Prof. dr hab. inż. Juliusz B. Gajewski, prof. zw. PWr Wybrzeże S. Wyspiańskiego 27, 50-370 Wrocław Bud. A4 Sara kołownia, pokój 359 Tel.: 71 320 3201
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 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 szczegółowo