Zastosowanie sztucznych sieci neuronowych do prognozowania szeregów czasowych
|
|
- Krystian Sobolewski
- 5 lat temu
- Przeglądów:
Transkrypt
1 dr Joanna Perzyńska adiunk w Kaedrze Zasosowań Maemayki w Ekonomii Wydział Ekonomiczny Zachodniopomorski Uniwersye Technologiczny w Szczecinie Zasosowanie szucznych sieci neuronowych do prognozowania szeregów czasowych Sreszczenie: W arykule przedsawiono sposób wykorzysania szucznych sieci neuronowych do prognozowania zmiennej w posaci szeregu czasowego. Ilusracją rozważań o charakerze eoreycznym jes przykład empiryczny, w kórym modelowaniu i prognozowaniu poddano zmienną mikroekonomiczną charakeryzującą się wysępowaniem rendu i wahań sezonowych. Jej prognozy wyznaczono na podsawie klasycznych modeli szeregu czasowego, szucznych sieci neuronowych oraz modeli będących ich złożeniem. Jakość wyznaczonych prognoz oceniono na podsawie ich średnich błędów ex pos. Przeprowadzone badania powierdziły użyeczność szucznych sieci neuronowych w prognozowaniu szeregów czasowych. Słowa kluczowe: dekompozycja szeregu czasowego, prognozy ekonomeryczne, szeregi czasowe, szuczne sieci neuronowe Wprowadzenie Szeregi czasowe przedsawiające kszałowanie się zmiennych ekonomicznych są zazwyczaj rezulaem złożenia wielu składowych różniących się charakerem. W klasycznym podejściu do ekonomerycznego modelowania i prognozowania warości szeregu czasowego przeprowadza się jego dekompozycję na poszczególne składowe obejmujące zazwyczaj endencję rozwojową i wahania sezonowe. Zasosowanie w ym procesie meod maemayczno-saysycznych pozwala na budowę formalnych modeli opisujących zaobserwowane prawidłowości, dzięki czemu sporządzone na ich podsawie prognozy opare są na względnie obiekywnych przesłankach 1. W prognozowaniu szeregów czasowych można również wykorzysać szuczne sieci neuronowe, kóre nabywają zdolność przewidywania w wyniku procesu uczenia. Sieci neuronowe dają możliwość budowy modeli odwzorowujących złożone zależności pomiędzy danymi wejściowymi i wyjściowymi dla zjawisk, kórych srukura, prawa działania czy zależności przyczynowe nie zosały poznane w sopniu wysarczającym na zbudowanie efekywnych modeli maemaycznych 2. Sieci są zdolne do odkrywania w zbiorze danych związków niewykrywalnych nawe przez radycyjne meody saysyczne 3. 1 A. Zeliaś, B. Pawełek, S. Wana, Prognozowanie ekonomiczne. Teoria, przykłady, zadania, Wydawnicwo Naukowe PWN, Warszawa 2003, s P. Lula, R. Tadeusiewicz, Wprowadzenie do sieci neuronowych, SaSof, Kraków 2001, s. 9 3 T. Masers, Sieci neuronowe w prakyce, Wydawnicwa Naukowo-Techniczne, Warszawa 1996, s. 7 Zeszyy Naukowe ZPSB FIRMA i RYNEK 2018/2 (54) 95
2 JOANNA PERZYŃSKA Jeżeli złożona srukura szeregu urudnia modelowanie i prognozowanie jego przyszłych warości na podsawie pojedynczej szucznej sieci neuronowej, Lula zaleca wyodrębnienie poszczególnych składowych szeregu i konsrukcję niezależnych modeli neuronowych dla każdej z nich 4. Celem przeprowadzonych badań była budowa prognoz zmiennej ekonomicznej w posaci szeregu czasowego na podsawie klasycznych modeli rendu uwzględniających wahania sezonowe oraz przy wykorzysaniu szucznych sieci neuronowych, a nasępnie porównanie ich rafności na podsawie średnich błędów ex pos. Prognozy wyznaczono również w oparciu o modele będące złożeniem modeli klasycznych i neuronowych za pomocą modeli klasycznych dokonano dekompozycji szeregu czasowego na składowe, skonsruowano dla nich niezależne sieci neuronowe, wyznaczono prognozy i zagregowano uzyskane wyniki. W oku badań empirycznych zweryfikowano hipoezę badawczą zakładającą, że prognozy uzyskane za pomocą szucznych sieci neuronowych (pojedynczych oraz modeli będących złożeniem z modelami klasycznymi) będą charakeryzowały się większą rafnością niż prognozy ekonomeryczne wyznaczone na podsawie modeli rendu z wahaniami sezonowymi. Klasyczne modele szeregów czasowych Szeregi czasowe powsają jako rezula obserwacji rozwoju zjawisk w czasie 5. W szeregu czasowym wyróżnia się dwa rodzaje składowych 6 : składową sysemayczną, będącą efekem oddziaływań sałego zesawu czynników na badane zjawisko, składową przypadkową (nazywaną również wahaniami przypadkowymi lub składnikiem losowym), będącą efekem oddziaływań przyczyn ubocznych o charakerze losowym. Składowa sysemayczna może wysępować w posaci: rendu (endencji rozwojowej), przecięnego poziomu, wahań okresowych (cyklicznych lub sezonowych). W myśl definicji opisowej rend jes gładką linią wyznaczającą rozwój zjawiska w czasie 7. Trend reprezenuje rwałe, isone, jednokierunkowe zmiany (wzros lub spadek) poziomu badanego zjawiska w czasie. Przecięny poziom oznacza brak wysępowania rendu i oscylowanie wielkości badanego zjawiska wokół pewnego sałego poziomu. Wśród wahań okresowych wyróżnia się wahania cykliczne oraz wahania sezonowe. Wahania cykliczne obserwowane są w długich przedziałach czasu jako rymiczne falowanie wielkości badanego zjawiska wokół rendu lub przecięnego poziomu. W przypadku ekonomicznych szeregów czasowych wahania cykliczne są związane z cyklem koniunkuralnym gospodarki. Wahania sezonowe w swej isocie podobne są do wahań cyklicznych, lecz wysępują w krószych okresach, są regularne i przewidywalne zarówno ze względu na czas rwania fazy, jak i ampliudę. Wahania e powsają na skuek zmian pór roku, mogą eż być wynikiem przyjęego podziału czasu oraz związanych z nim zwyczajów. Proces wyodrębniania poszczególnych składowych szeregu czasowego nosi nazwę dekompozycji szeregu czasowego. W prakyce dekompozycję najczęściej przeprowadza się budując modele szeregu 4 P. Lula, Hybrydowe meody idenyfikacji wzorców oraz modelowania i prognozowania szeregów czasowych, Prace Naukowe Akademii Ekonomicznej we Wrocławiu, Taksonomia nr 906, Klasyfikacja i analiza danych - eoria i zasosowania, Wrocław 2001, s A. Zeliaś, Meody saysyczne, Polskie Wydawnicwo Ekonomiczne, Warszawa 2000, s P. Dimann, I. Dimann, E. Szabela-Pasierbińska, A. Szpulak, Prognozowanie w zarządzaniu przedsiębiorswem, Oficyna Wolers Kluwer business, Kraków 2009, s J. Zawadzki, Modelowanie predykywne i prognozowanie zjawisk w skali mikroekonomicznej, Uniwersye Szczeciński, Rozprawy i Sudia, 228, Szczecin 1996, s Zeszyy Naukowe ZPSB FIRMA i RYNEK 2018/2 (54)
3 Zasosowanie szucznych sieci neuronowych do prognozowania szeregów czasowych czasowego. W zależności od przyjęych założeń o wzajemnych relacjach poszczególnych składowych oraz ich wpływu na zmienną opisującą badane zjawisko konsruowany model może przyjmować różne formy najczęściej przyjmuje się addyywną posać modelu szeregu czasowego: Y + = P + S U (1) lub muliplikaywną 8 : Y = P R U (2) gdzie: P rend, S składnik sezonowy, R wskaźnik sezonowości, U składnik losowy. Pierwszą składową w obu modelach najczęściej opisuje za pomocą funkcji wielomianowej lub wykładniczej zmiennej czasowej. Składniki i wskaźniki sezonowości można opisać za pomocą zmiennych zero-jedynkowych lub za pomocą wielomianu rygonomerycznego. Do wyznaczania analiycznej posaci modelu szeregu czasowego można wykorzysać meodę empiryczną na podsawie próby szacuje się paramery kilku różnych modeli, a nasępnie wybiera en z nich, kóry charakeryzuje się najwyższym sopniem dopasowania do danych empirycznych. Gdy więcej niż jedna funkcja dobrze opisuje kszałowanie się modelowanej zmiennej, wówczas przyjmuje się posać najprosszą. Konsrukcja prognozy na podsawie modelu rendu ze składnikiem sezonowym polega na eksrapolacji oszacowanej funkcji rendu (kóra jes możliwa pod warunkiem spełnienia zasady dynamicznego saus quo), a nasępnie na jej korekcie uwzględniającej oddziaływanie wahań sezonowych. Przy ocenie jakości (rafności) prognoz można wziąć pod uwagę ich błędy ex pos, czyli zrealizowane błędy prognoz o posaci: e = y f (3) gdzie: y realizacja prognozowanej zmiennej Y w okresie, f warość prognozy zmiennej Y na okres. Na podsawie błędów prognoz ex pos oszacowanych dla kolejnych okresów wyznacza się mierniki syneyczne, charakeryzujące przedział empirycznej weryfikacji prognoz ( = n +1, n + 2,..., n + m) za pomocą jednej liczby, mogą być o np. średnie absolune błędy procenowe (mean absolue percenage error): 1 n m e MAPE = % (4) m = n+ 1 y 8 J. Zawadzki, Ekonomeryczne meody prognozowania procesów gospodarczych, Wydawnicwo Akademii Rolniczej w Szczecinie, Szczecin 1995, s. 58 Zeszyy Naukowe ZPSB FIRMA i RYNEK 2018/2 (54) 97
4 JOANNA PERZYŃSKA Szuczne sieci neuronowe Szuczne sieci neuronowe konsruowane w posaci programów kompuerowych odwzorowują podsawowe procesy zachodzące w ludzkim mózgu. Zbudowane są z wielu szucznych neuronów ułożonych w kolejnych warswach: warswie wejściowej, warswach ukryych i warswie wyjściowej. Warswy są ze sobą połączone w aki sposób, aby sygnały przepływały od wejść do wyjść, a każde połączenie ma określoną wagę będącą odpowiednikiem parameru modelu ekonomerycznego. W szucznych neuronach odbywa się agregacja wprowadzonych danych (z zewnąrz lub z poprzedniej warswy) oraz ich przekszałcenie przez funkcję akywacji 9. Wagi sieci modyfikowane są podczas procesu uczenia, na podsawie próbek uczących sieć sama wykrywa isniejące współzależności i konsruuje w swej pamięci opisujący je model, kóry w dalszych badaniach wykorzysywany jes już auomaycznie. Przyjmując sposób połączeń neuronów jako kryerium podziału, można wyróżnić sieci: jednokierunkowe, rekurencyjne, komórkowe i radialne. W modelowaniu i prognozowaniu najczęściej wykorzysuje się sieci jednokierunkowe zw. perceprony wielowarswowe. Mają one srukurę jednokierunkową, co oznacza, że sygnał w nich przepływa ylko w jednym kierunku od warswy wejściowej przez wszyskie kolejne warswy ukrye, aż do warswy wyjściowej. Zasadnicze przewarzanie w sieci jednokierunkowej odbywa się w warswach ukryych i w warswie wyjściowej, warswa wejściowa służy jedynie do wprowadzania danych wejściowych do sieci oraz ich ewenualnej normalizacji. Perceprony są uniwersalnymi aproksymaorami, za ich pomocą można modelować funkcje o niemal dowolnej złożoności, na co pozwala wprowadzenie do sieci już ylko jednej warswy ukryej z nieliniową funkcją akywacji 10. Modyfikacja wag sieci jednokierunkowych przebiega w procesie uczenia z nauczycielem, kóry polega na prezenacji sieci wzorcowych warości wejściowych i wyjściowych. Sieć modyfikuje wagi w aki sposób, aby wyznaczona przez nią warość wyjściowa była jak najbliższa wzorcowej warości wyjściowej i zapisuje w swej pamięci oszacowany model. Ocena skonsruowanego modelu neuronowego realizowana jes za pomocą uniwersalnych mierników jakości obliczonych na podsawie odchyleń warości wyznaczonych przez sieć od wzorcowych warości rzeczywisych, zazwyczaj jako błędy średniokwadraowe lub średnie błędy absolune. Neuronowa analiza i predykcja zmiennych w posaci szeregów czasowych wymaga sosowania meod, kóre uwzględniają zmiany zachodzące w czasie i mogą opisać związane z ym prawidłowości. Wyznaczając prognozy przyszłych warości zmiennej mającej posać szeregu czasowego korzysa się przede wszyskim z jej przeszłych warości. Przykład prosego odwzorowania szeregu czasowego na szuczną sieć neuronową wyznaczającą prognozę przedsawiono na rys D. Wikowska, Szuczne sieci neuronowe i meody saysyczne. Wybrane zagadnienia finansowe, C.H. Beck, Warszawa 2002, s K. Hornik, M.Sinchcombe, H.Whie, Mulilayer feedforward neworks are universal approximaors, Neural Neworks, 2, 1989, s Zeszyy Naukowe ZPSB FIRMA i RYNEK 2018/2 (54)
5 Zasosowanie szucznych sieci neuronowych do prognozowania szeregów czasowych prognoza wyjście sieci warswy ukrye wejścia sieci warości szeregu czasowego czas Rysunek 1. Przykładowe odwzorowanie szeregu czasowego na sieć neuronową wyznaczającą prognozę Źródło: opracowanie własne na podsawie: T. Masers, Sieci neuronowe w prakyce, Wydawnicwa Naukowo-Techniczne, Warszawa 1996, s. 56 Do nauczenia przedsawionej na rys. 1 sieci sosuje się próbki uczące będące podzbiorami szeregu czasowego złożonymi z siedmiu kolejnych punków z przeszłości sześć pierwszych punków sanowi wzorcowe warości wejściowe, osani punk jes wzorcową warością wyjściową pozwalającą realizować proces uczenia z nauczycielem. Ponieważ szereg czasowy jes zbiorem uporządkowanych w czasie warości, zaem i próbki uczące prezenowane są sieci w kolejności uporządkowanej, zaś ich długość dobiera się na ogół empirycznie. Szuczna sieć neuronowa usala zależności isniejące pomiędzy wzorcowymi, znanymi danymi wejściowymi i wyjściowymi z próbek uczących wprowadzanych do sieci przez nauczyciela. Uczy się naśladować nauczyciela w aki sposób, aby uzyskać zgodność swojej odpowiedzi na podany jej sygnał wejściowy z wzorcową warością wyjściową. Nauczona i zweryfikowana sieć z rys.1 wyznacza prognozę o jeden punk naprzód (na okres +1-szy) na podsawie sześciu kolejnych punków szeregu czasowego począwszy od warości w okresie -5-ym. Chcąc wyznaczyć prognozę na kolejny okres (+2-gi), należy ponownie uruchomić sieć dla zmienionego zesawu warości wejściowych: pięciu kolejnych punków szeregu czasowego począwszy od warości w okresie -4-ym uzupełnionych o warość prognozy na okres +1-szy. W en sposób, wprowadzając oszacowane warości na wejście sieci, można krok po kroku realizować proces wieloeapowego prognozowania szeregu czasowego. Szereg czasowy jes zazwyczaj rezulaem złożenia wielu różniących się charakerem składowych. Gdy złożona srukura szeregu urudnia prognozowanie jego przyszłych warości na podsawie Zeszyy Naukowe ZPSB FIRMA i RYNEK 2018/2 (54) 99
6 JOANNA PERZYŃSKA pojedynczego modelu neuronowego, można dokonać jego dekompozycji, skonsruować niezależne modele neuronowe dla każdej z wyznaczonych składowych i na koniec zagregować uzyskane wyniki 11. Maeriał badawczy W przeprowadzonych badaniach empirycznych wykorzysano całkowie koszy (w ys. PLN) produkcji beonu komórkowego (KB) w przedsiębiorswie A. Szereg czasowy warości zmiennej KB obejmował 60 miesięcy, jego kszałowanie się przedsawiono na rys KB [ys. PLN] [mies] Rysunek 2. Kszałowanie się całkowiych koszów produkcji beonu komórkowego w przedsiębiorswie A Źródło: opracowanie własne. Zmienna KB charakeryzuje się wysępowaniem rendu oraz wahań sezonowych, w ab. 1 zesawiono oceny jej wskaźników sezonowości. Miesiąc Wskaźnik sezonowości (w %) I 73,98 II 73,55 III 77,03 IV 79,48 V 91,67 VI 102,32 VII 113,11 VIII 120,20 IX 119,07 X 128,97 XI 118,84 XII 101,77 Tabela 1. Oceny wskaźników sezonowości zmiennej KB (w %) Źródło: obliczenia własne. 11 P. Lula, Hybrydowe meody idenyfikacji wzorców oraz modelowania i prognozowania szeregów czasowych, Prace Naukowe Akademii Ekonomicznej we Wrocławiu, Taksonomia nr 906, Klasyfikacja i analiza danych - eoria i zasosowania, Wrocław 2001, s Zeszyy Naukowe ZPSB FIRMA i RYNEK 2018/2 (54)
7 Zasosowanie szucznych sieci neuronowych do prognozowania szeregów czasowych Z informacji zawarych w ab.1 wynika, że zmienna KB charakeryzuje się wysępowaniem wahań sezonowych o silnym naężeniu różnica pomiędzy maksymalną i minimalną warością ocen wskaźników sezonowości wynosi 55,42 punku procenowego. Koszy produkcji beonu komórkowego swoje eksrema sezonowe osiągają w październiku (maksimum) i w luym (minimum). W przeprowadzonych badaniach empirycznych szereg czasowy warości zmiennej KB podzielono na dwie części pierwsza, obejmująca jego 48 począkowych warości ( = 1, 2,..., 48), posłużyła do esymacji modeli klasycznych oraz neuronowych, naomias druga część szeregu ( = 49, 50,..., 60) wykorzysana zosała do empirycznej weryfikacji prognoz. Wyniki badań W pierwszym eapie badań, na podsawie skróconego szeregu czasowego obejmującego jego 48 począkowych warości, oszacowano klasyczne modele szeregu czasowego (MK) z liniowym rendem () oraz periodycznym (p) lub zmiennym (z) składnikiem sezonowym 12 : y = b0 + b1 + b0kqk + b1k Qk k= 1 k= 1 + u (5) przy warunkach pobocznych: b0 k = b1k = 0 (6) k= 1 k= 1 gdzie: Q k zmienna zero-jedynkowa przyjmującą warość 1 w sezonie k i 0 w pozosałych sezonach. Oceny paramerów srukuralnych oraz srukury sochasycznej oszacowanych modeli przedsawiono w ab. 2. Pogrubioną czcionką wyróżniono paramery isone saysycznie. Analizując informacje zaware w ab. 2 można zauważyć, że oszacowane klasyczne modele szeregu czasowego charakeryzują się wysokim dopasowaniem do danych empirycznych nieznacznie wyższą warość współczynnika deerminacji wynoszącą 89,02% orzymano dla modelu z periodycznym składnikiem sezonowym. Dla ego modelu orzymano również mniejszą warość współczynnika zmienności losowej resz (13,44%). Warości saysyk Durbina-Wasona świadczą o wysępowaniu w obu modelach auokorelacji rzędu pierwszego, co jes częsym zjawiskiem w modelach szeregów czasowych. Oceny wyrazów wolnych oraz współczynników kierunkowych funkcji rendu są isone saysycznie, jednak model ze sałą sezonowością zawiera eż isone składniki sezonowe, dlaego o właśnie en model wybrano do dalszych badań (prognozowania), dokonując również jego dekompozycji na składową opisaną przez równanie rendu liniowego i drugą (przedsawiającą wahania sezonowe) będącą różnicą pomiędzy eoreycznymi warościami modelu MKp a modelem rendu. 12 J. Zawadzki, Ekonomeryczne meody prognozowania procesów gospodarczych, Wydawnicwo Akademii Rolniczej w Szczecinie, Szczecin 1995, s. 64 Zeszyy Naukowe ZPSB FIRMA i RYNEK 2018/2 (54) 101
8 JOANNA PERZYŃSKA Paramer MKp MKz b0 1467, ,24 b1 80,57 83,28 b01-685,01-239,37 b02-944,83-325,33 b03-495,15-48,74 b04-197,97 92,42 b05-107,54 60,09 b06 141,39-148,41 b07 346,82-188,95 b08 529,25-118,58 b09 738,43 19,34 b ,61 110,42 b ,04-29,32 b11-25,99 b12-17,78 b13-26,28 b14-12,61 b15 9,47 b16 27,51 b17 33,97 b18 27,14 b19-29,32 b110 32,39 b111 16,31 R 2 89,02 88,06 Se 462,41 482,37 Ve 13,44 14,02 DW 1,01 1,24 Tabela 2. Oceny paramerów srukuralnych oraz srukury sochasycznej klasycznych modeli szeregu czasowego Źródło: obliczenia własne. W drugim eapie badań wykorzysano szuczne sieci neuronowe perceprony wielowarswowe. Zbudowano oddzielne modele neuronowe dla zmiennej KB (ANN1) oraz dla obu składowych wyznaczonych na podsawie modelu MKp rendu (ANN2) i wahań (ANN3). Skonsruowano sieci różniące się liczbą neuronów ukryych oraz warościami wejściowymi. Sieci e były uczone z nauczycielem, na podsawie prezenowanych im próbek uczących będących podzbiorami szeregu czasowego same modyfikowały począkowe losowe warości wag. Spośród wielu skonsruowanych i nauczonych modeli neuronowych wybrano kilka najlepszych o najniższym błędzie będącym średnim odchyleniem warości wyjściowych od warości wzorcowych z próbek uczących ich charakerysyki przedsawiono w ab Zeszyy Naukowe ZPSB FIRMA i RYNEK 2018/2 (54)
9 Zasosowanie szucznych sieci neuronowych do prognozowania szeregów czasowych Model Zmienna wejściowa Liczba neuronów ukryych Błąd sieci ANN1-1 KB 571,94 ANN1-2 KB 1 304,82 ANN1-3 KB 3 283,86 ANN2-1 rend 4 115,73 ANN2-2 rend 8 129,65 ANN3 wahania ,69 Tabela 3. Charakerysyki wybranych modeli szucznych sieci neuronowych Źródło: obliczenia własne. Na podsawie skonsruowanych modeli wyznaczono prognozy wygasłe dla horyzonu dwunasomiesięcznego ( = 49, 50,..., 60) i poddano analizie ich rafność. W przypadku modeli, w kórych wcześniej dokonano dekompozycji, wykonano działania odwrone, zagregowano orzymane wyniki i dopiero wedy wyznaczono średnie błędy prognoz. Orzymano osaecznie 6 prognoz wyznaczonych na podsawie nasępujących modeli: MKp, ANN1-1, ANN1-2, ANN1-3, zagregowany model ANN2-1 i ANN3, zagregowany model ANN2-2 i ANN3. W ab.4 zesawiono ich średnie absolune błędy procenowe MAPE. Prognoza MAPE (w %) f1 13,04 f2 11,06 f3 10,47 f4 10,94 f5 8,60 f6 9,07 Tabela 4. Oceny błędów prognoz Źródło: obliczenia własne. Z informacji zawarych w ab.4 wynika, że prognozy wyznaczone na podsawie klasycznego modelu szeregu czasowego z liniowym rendem i periodycznym składnikiem sezonowym (MKp) obarczone są największym błędem (MAPE=13,04%). Prognozy orzymane na podsawie szucznych sieci neuronowych charakeryzują się niższymi warościami średnich absolunych błędów procenowych od 10,47% do 11.06% dla modeli, w kórych zmienną wejściowa była nieprzekszałcona zmienna KB oraz poniżej 10% dla zagregowanych modeli neuronowych, kóre powsały przez dekompozycję zmiennej KB na składowe (najmniejszy błąd średni był o ponad 4 punky procenowe niższy od błędu prognozy wyznaczonej na podsawie modelu szeregu czasowego). Wnioski Isonym eapem poprzedzającym właściwe prognozowanie jes budowa modelu, kóry powinien możliwie dokładnie aproksymować kszałowanie się danej zmiennej. W przeprowadzonych badaniach empirycznych zarówno klasyczny model szeregu czasowego jak i modele neuronowe charakeryzowały się bardzo dobrym dopasowaniem do rzeczywisych warości zmiennej KB. Zasosowanie szucznych sieci neuronowych do prognozowania pozwoliło na wyznaczenie prognoz o niższych błędach średnich, co powierdza użyeczność szucznych sieci neuronowych w prognozowaniu szeregów czasowych. Najwyższą rafnością charakeryzowały się prognozy Zeszyy Naukowe ZPSB FIRMA i RYNEK 2018/2 (54) 103
10 JOANNA PERZYŃSKA wyznaczone na podsawie modeli będących złożeniem modeli neuronowych z klasycznym modelem szeregu czasowego uwzględniającym rend i wahania sezonowe. W modelach ych najpierw oszacowano model klasyczny, dokonano dekompozycji na składowe, nasępnie zbudowano oddzielne modele neuronowe, wyznaczono prognozy a uzyskane wyniki zagregowano. Choć koszy (nakład pracy) związane ze sosowaniem ej meody były wysokie, ale orzymane za ich pomocą prognozy były bardziej dokładne, co ma isone znaczenie przy podejmowaniu decyzji gospodarczych. Applicaion of Arificial Neural Nework o ime series forecasing Summary: In he paper, he auhor presens he mehod of using arificial neural neworks for forecasing a variable in he ime series form. The illusraion of heoreical consideraions is he empirical example, in which forecass are calculaed for microeconomic variable wih rend and seasonal flucaions. Is forecass are based on he classic ime series models, arificial neural neworks and models being heir composiion. The qualiy of he forecass is assessed on he basis of heir average expos errors. The research confirms he usefulness of arificial neural nework in ime series forecasing. Key words: arificial neural nework, ime series decomposiion, economeric forecass, ime series Bibliografia: Dimann P., Dimann I., Szabela-Pasierbińska E., Szpulak A., Prognozowanie w zarządzaniu przedsiębiorswem, Oficyna Wolers Kluwer business, Kraków Hornik K., Sinchcombe M., Whie H., Mulilayer feedforward neworks are universal approximaors, Neural Neworks, 2, 1989, s Lula P., Hybrydowe meody idenyfikacji wzorców oraz modelowania i prognozowania szeregów czasowych, Prace Naukowe Akademii Ekonomicznej we Wrocławiu, Taksonomia nr 906, Klasyfikacja i analiza danych - eoria i zasosowania, Wrocław 2001, s Lula P., Tadeusiewicz R., Wprowadzenie do sieci neuronowych, SaSof, Kraków 2001 Masers T., Sieci neuronowe w prakyce, Wydawnicwa Naukowo-Techniczne, Warszawa Wikowska D., Szuczne sieci neuronowe i meody saysyczne. Wybrane zagadnienia finansowe, C.H. Beck, Warszawa Zawadzki J., Ekonomeryczne meody prognozowania procesów gospodarczych, Wydawnicwo Akademii Rolniczej w Szczecinie, Szczecin Zawadzki J., Modelowanie predykywne i prognozowanie zjawisk w skali mikroekonomicznej, Uniwersye Szczeciński, Rozprawy i Sudia, 228, Szczecin Zeliaś A., Meody saysyczne, Polskie Wydawnicwo Ekonomiczne, Warszawa Zeliaś A., Pawełek B., Wana S., Prognozowanie ekonomiczne. Teoria, przykłady, zadania, Wydawnicwo Naukowe PWN, Warszawa Zeszyy Naukowe ZPSB FIRMA i RYNEK 2018/2 (54)
Wykład 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 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 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2018, 347(93)4, 57 68
DOI: 1.215/oe218.93.4.5 FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 218, 347(93)4, 57 68 Joanna PERZYŃSKA ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoIdentyfikacja wahań koniunkturalnych gospodarki polskiej
Rozdział i Idenyfikacja wahań koniunkuralnych gospodarki polskiej dr Rafał Kasperowicz Uniwersye Ekonomiczny w Poznaniu Kaedra Mikroekonomii Sreszczenie Celem niniejszego opracowania jes idenyfikacja wahao
Bardziej 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 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 szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej 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 szczegółowoC d u. Po podstawieniu prądu z pierwszego równania do równania drugiego i uporządkowaniu składników lewej strony uzyskuje się:
Zadanie. Obliczyć przebieg napięcia na pojemności C w sanie przejściowym przebiegającym przy nasępującej sekwencji działania łączników: ) łączniki Si S są oware dla < 0, ) łącznik S zamyka się w chwili
Bardziej 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 szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej 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 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 szczegółowoBadanie funktorów logicznych TTL - ćwiczenie 1
adanie funkorów logicznych TTL - ćwiczenie 1 1. Cel ćwiczenia Zapoznanie się z podsawowymi srukurami funkorów logicznych realizowanych w echnice TTL (Transisor Transisor Logic), ich podsawowymi paramerami
Bardziej 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 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 szczegółowoWskazówki projektowe do obliczania nośności i maksymalnego zanurzenia statku rybackiego na wstępnym etapie projektowania
CEPOWSKI omasz 1 Wskazówki projekowe do obliczania nośności i maksymalnego zanurzenia saku rybackiego na wsępnym eapie projekowania WSĘP Celem podjęych badań było opracowanie wskazówek projekowych do wyznaczania
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 szczegółowoWYKORZYSTANIE TEORII CHAOSU ZDETERMINOWANEGO W PROGNOZOWANIU KROKOWYM ROCZNEGO ZUŻYCIA ENERGII ELEKTRYCZNEJ PRZEZ ODBIORCÓW WIEJSKICH
INFRASTRUKTURA I EKOLOGIA TERENÓW WIEJSKICH Nr 2/2005, POLSKA AKADEMIA NAUK, Oddział w Krakowie, s. 121 128 Komisja Technicznej Infrasrukury Wsi Małgorzaa Trojanowska WYKORZYSTANIE TEORII CHAOSU ZDETERMINOWANEGO
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 szczegółowoZarządzanie Projektami. Wykład 3 Techniki sieciowe (część 1)
Zarządzanie Projekami Wykład 3 Techniki sieciowe (część ) Przedsięwzięcie wieloczynnościowe Przedsięwzięcie wieloczynnościowe skończona liczba wzajemnie ze sobą powiązanych czynności (eapów). Powiązania
Bardziej szczegółowoWprowadzenie do teorii prognozowania
Wprowadzenie do teorii prognozowania I Pojęcia: 1. Prognoza i zmienna prognozowana (przedmiot prognozy). Prognoza punktowa i przedziałowa. 2. Okres prognozy i horyzont prognozy. Prognozy krótkoterminowe
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 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 szczegółowoMODELE PROGNOSTYCZNE SPRZEDAśY ENERGII ELEKTRYCZNEJ ODBIORCOM WIEJSKIM OPARTE NA WYMIARZE FRAKTALNYM, LOGISTYCZNE I KRZYśOWANIA HEURYSTYCZNEGO
InŜynieria Rolnicza 11/2006 Małgorzaa Trojanowska Kaedra Energeyki Rolniczej Akademia Rolnicza w Krakowie MODELE PROGNOSTYCZNE SPRZEDAśY ENERGII ELEKTRYCZNEJ ODBIORCOM WIEJSKIM OPARTE NA WYMIARZE FRAKTALNYM,
Bardziej 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 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 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 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 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 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 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 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 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 szczegółowoAnna Bechler PORÓWNANIE EFEKTYWNOŚCI SIECI NEURONOWYCH I MODELI EKONOMETRYCZNYCH WE WSPOMAGANIU DECYZJI KREDYTOWYCH
PORÓWNANIE EFEKTYWNOŚCI SIECI NEURONOWYCH I MODELI EKONOMETRYCZNYCH WE WSPOMAGANIU DECYZJI KREDYTOWYCH Anna Bechler Kaedra Badań Operacyjnych, Uniwersye Łódzki, Łódź WPROWADZENIE W świele obowiązującego
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 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 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 szczegółowoPrognozowanie wska ników jako ciowych i ilo ciowych dla gospodarki polskiej z wykorzystaniem wybranych metod statystycznych
dr Anna Koz owska-grzybek mgr Marcin Kowalski Kaedra Mikroekonomii Akademia Ekonomiczna w Poznaniu Prognozowanie wska ników jako ciowych i ilo ciowych dla gospodarki polskiej z wykorzysaniem wybranych
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 szczegółowoOPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR
Daniel Iskra Uniwersye Ekonomiczny w Kaowicach OPTYMALIZACJA PORTFELA IWESTYCYJEGO ZE WZGLĘDU A MIIMALY POZIOM TOLERACJI DLA USTALOEGO VaR Wprowadzenie W osanich laach bardzo popularną miarą ryzyka sała
Bardziej szczegółowoStatystyka. Wykład 13. Magdalena Alama-Bućko. 12 czerwca Magdalena Alama-Bućko Statystyka 12 czerwca / 30
Statystyka Wykład 13 Magdalena Alama-Bućko 12 czerwca 2017 Magdalena Alama-Bućko Statystyka 12 czerwca 2017 1 / 30 Co wpływa na zmiany wartości danej cechy w czasie? W najbardziej ogólnym przypadku, na
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 szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej 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 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 szczegółowoLABORATORIUM PODSTAWY ELEKTRONIKI Badanie Bramki X-OR
LORTORIUM PODSTWY ELEKTRONIKI adanie ramki X-OR 1.1 Wsęp eoreyczny. ramka XOR ramka a realizuje funkcję logiczną zwaną po angielsku EXLUSIVE-OR (WYŁĄZNIE LU). Polska nazwa brzmi LO. Funkcję EX-OR zapisuje
Bardziej szczegółowoRóżnica bilansowa dla Operatorów Systemów Dystrybucyjnych na lata (którzy dokonali z dniem 1 lipca 2007 r. rozdzielenia działalności)
Różnica bilansowa dla Operaorów Sysemów Dysrybucyjnych na laa 2016-2020 (kórzy dokonali z dniem 1 lipca 2007 r. rozdzielenia działalności) Deparamen Rynków Energii Elekrycznej i Ciepła Warszawa 201 Spis
Bardziej 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 szczegółowoDynamiczne formy pełzania i relaksacji (odprężenia) górotworu
Henryk FILCEK Akademia Górniczo-Hunicza, Kraków Dynamiczne formy pełzania i relaksacji (odprężenia) góroworu Sreszczenie W pracy podano rozważania na ema możliwości wzbogacenia reologicznego równania konsyuywnego
Bardziej szczegółowoMariusz Plich. Spis treści:
Spis reści: Modele wielorównaniowe - mnożniki i symulacje. Podsawowe pojęcia i klasyfikacje. Czynniki modelowania i sposoby wykorzysania modelu 3. ypy i posacie modeli wielorównaniowych 4. Przykłady modeli
Bardziej szczegółowoSpis treści. Summaries
Spis reści Wsęp.............................................................. 7 Ireneusz Kuropka: Przydaność wybranych modeli umieralności do prognozowania naężenia zgonów w Polsce.............................
Bardziej szczegółowoZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH
Pior KISIELEWSKI, Łukasz SOBOTA ZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH W arykule przedsawiono zasosowanie eorii masowej obsługi do analizy i modelowania wybranych sysemów
Bardziej szczegółowoLABORATORIUM PODSTAW ELEKTRONIKI PROSTOWNIKI
ZESPÓŁ LABORATORIÓW TELEMATYKI TRANSPORTU ZAKŁAD TELEKOMUNIKJI W TRANSPORCIE WYDZIAŁ TRANSPORTU POLITECHNIKI WARSZAWSKIEJ LABORATORIUM PODSTAW ELEKTRONIKI INSTRUKCJA DO ĆWICZENIA NR 5 PROSTOWNIKI DO UŻYTKU
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 szczegółowoWybrane problemy prognozowania cen produktów rolnych
V EUROPEJSKI KONGRES MENADŻERÓW AGROBIZNESU, ŁYSOMICE 14.11.218 Wybrane problemy prognozowania cen produków rolnych Cezary Klimkowski INSTYTUT EKONOMIKI ROLNICTWA I GOSPODARKI ŻYWNOŚCIOWEJ PAŃSTWOWY INSTYTUT
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 szczegółowoMODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Wsęp MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH Nowoczesne echniki zarządzania ryzykiem rynkowym
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 szczegółowoWykład 5 Elementy teorii układów liniowych stacjonarnych odpowiedź na dowolne wymuszenie
Wykład 5 Elemeny eorii układów liniowych sacjonarnych odpowiedź na dowolne wymuszenie Prowadzący: dr inż. Tomasz Sikorski Insyu Podsaw Elekroechniki i Elekroechnologii Wydział Elekryczny Poliechnika Wrocławska
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 XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 389 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 XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 389 TORUŃ 2009 Uniwersye Mikołaja Kopernika w Toruniu Kaedra Ekonomerii i Saysyki Jarosław
Bardziej szczegółowoRównania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.
Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać
Bardziej szczegółowoDobór przekroju żyły powrotnej w kablach elektroenergetycznych
Dobór przekroju żyły powronej w kablach elekroenergeycznych Franciszek pyra, ZPBE Energopomiar Elekryka, Gliwice Marian Urbańczyk, Insyu Fizyki Poliechnika Śląska, Gliwice. Wsęp Zagadnienie poprawnego
Bardziej szczegółowoPorównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz
233 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Porównanie jakości nieliniowych modeli ekonomerycznych na podsawie esów rafności prognoz Sreszczenie.
Bardziej szczegółowo