Analiza i prognozowanie szeregów czasowych

Podobne dokumenty
Wykład 6. Badanie dynamiki zjawisk

Wykład 6. Badanie dynamiki zjawisk

Prognozowanie i symulacje

Analiza rynku projekt

Wydatki [zł] Wydatki 36,4 38, ,6 37,6 40, , ,5 33 Czas

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego

METODA ZDYSKONTOWANYCH SALD WOLNYCH PRZEPŁYWÓW PIENIĘŻNYCH

Zarządzanie ryzykiem. Lista 3

Arytmetyka finansowa Wykład 5 Dr Wioletta Nowak

BADANIE DYNAMICZNEGO TŁUMIKA DRGA

PROGNOZOWANIE BRAKUJĄCYCH DANYCH DLA SZEREGÓW O WYSOKIEJ CZĘSTOTLIWOŚCI OCZYSZCZONYCH Z SEZONOWOŚCI

Metody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

LABORATORIUM TECHNIKI CIEPLNEJ INSTYTUTU TECHNIKI CIEPLNEJ WYDZIAŁ INŻYNIERII ŚRODOWISKA I ENERGETYKI POLITECHNIKI ŚLĄSKIEJ

Szereg czasowy z trendem. Model Holta. Stosujemy dwa równania rekurencyjne: I - słuy do wyznaczania wygładzonych wartoci szeregu czasowego w chwili t

Wprowadzenie do teorii prognozowania

Ćwiczenie 5 PROGNOZOWANIE

PROGNOZY I SYMULACJE

EKONOMETRYCZNA PROGNOZA ODPŁYWÓW Z BEZROBOCIA

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1

O MIERNIKACH DOKŁADNOŚCI PROGNOZ EX POST W PROGNOZOWANIU ZMIENNYCH O SILNYM NATĘŻENIU SEZONOWOŚCI

N a l e W y u n i k a ć d ł u g o t r w a ł e g o k o n t a k t u p o l a k i e r o w a n y c h p o w i e r z c h n i z w y s o k i m i t e m p e r a





Ekonometria Wykład 4 Prognozowanie, sezonowość. Dr Michał Gradzewicz Katedra Ekonomii I KAE

MODEL TENDENCJI ROZWOJOWEJ

1. Szereg niesezonowy 1.1. Opis szeregu

Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych

Ekonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006

ZASTOSOWANIE WYBRANYCH MODELI ADAPTACYJNYCH W PROGNOZOWANIU BRAKUJĄCYCH DANYCH W SZEREGACH ZE ZŁOŻONĄ SEZONOWOŚCIĄ DLA LUK NIESYSTEMATYCZNYCH

WYKORZYSTANIE MODELI SIGN RCA DO PROGNOZY

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1

FORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS

5. Model sezonowości i autoregresji zmiennej prognozowanej

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej

4. Średnia i autoregresja zmiennej prognozowanej

Grzegorz Kornaś. Powtórka z fizyki

PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK

Wybrane problemy prognozowania cen produktów rolnych

Prognozowanie krótkoterminowe w procesie planowania zasobów


3. Modele tendencji czasowej w prognozowaniu

EKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.

Graf skierowany. Graf zależności dla struktur drzewiastych rozgrywających parametrycznie

Przykład 2. Stopa bezrobocia

Indeksy dynamiki (o stałej i zmiennej podstawie)

Implementacja metod prognozowania szeregów czasowych w pakiecie TSprediction środowiska R

Rodzajowy rachunek kosztów Wycena zuŝycia materiałów

Transport masy, pędu energii. Prawo zachowania

Metoda najmniejszych kwadratów

Przygotowanie do Egzaminu Potwierdzającego Kwalifikacje Zawodowe

Zastosowanie metod prognostycznych w planowaniu strategii przedsiębiorstwa

II.6. Wahadło proste.

ANALIZA MOŻLIWOŚCI WYKORZYSTANIA MODELU HOLTA- WINTERSA DO OCENY POPYTU NA CZĘŚCI ZAMIENNE DO POJAZDÓW ROLNICZYCH 3

Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA

Matematyka ubezpieczeń majątkowych r.

RYNEK MIĘSA. Biuro Analiz i Programowania ARR Nr 36/2010

Ćwiczenia IV

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY

WAHANIA NATĘśEŃ RUCHU DROGOWEGO NA SIECI DRÓG MIEJSKICH

Pojęcia podstawowe 1

( 3 ) Kondensator o pojemności C naładowany do różnicy potencjałów U posiada ładunek: q = C U. ( 4 ) Eliminując U z równania (3) i (4) otrzymamy: =

Budowa modelu i testowanie hipotez

Copyright by Politechnika Białostocka, Białystok 2017

3. Analiza własności szeregu czasowego i wybór typu modelu

OCENA PRZYDATNOŚCI MODELU WINTERSA DO PROGNOZOWANIA CEN SKUPU MLEKA

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

MIERNICTWO WIELKOŚCI ELEKTRYCZNYCH I NIEELEKTRYCZNYCH

PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH

POLITECHNIKA OPOLSKA Wydział Elektrotechniki i Automatyki

Analiza autokorelacji

ANALIZA SZEREGU CZASOWEGO CEN ŻYWCA BROJLERÓW W LATACH

Przepięcia i sieci odciążające

Statystyka. Wykład 13. Magdalena Alama-Bućko. 12 czerwca Magdalena Alama-Bućko Statystyka 12 czerwca / 30

Ekonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota

6.4. Model zdyskontowanych zysków Metoda skorygowanej wartości bieżącej (APV)

ANALIZA DANYCH W STATA 8.0

Zagadnienie 1: Prognozowanie za pomocą modeli liniowych i kwadratowych przy wykorzystaniu Analizy regresji wielorakiej w programie STATISTICA

Model AS-AD. Krzywa AD M P = (1)

00502 Podstawy kinematyki D Część 2 Iloczyn wektorowy i skalarny. Wektorowy opis ruchu. Względność ruchu. Prędkość w ruchu prostoliniowym.

m q κ (11.1) q ω (11.2) ω =,

WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH

Optyka falowa. polaryzacja. dwójłomność optyczna. czym jest zjawisko polaryzacji stan a stopień polaryzacji sposoby polaryzacji

Ocena jakości prognoz wybranych wskaźników rozwoju gospodarczego woj. lubelskiego

Zależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),

KIERUNKI ZMIAN STRUKTURY AGRARNEJ WOJEWÓDZTW WEDŁUG GRUP TYPOLOGICZNYCH (PROGNOZA DO ROKU 2020)

Ocena siły oddziaływania procesów objaśniających dla modeli przestrzennych

Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych

Case nr 3. Zaawansowana Eksploracja Danych (Specj. TPD) Szeregi czasowe i prognozowanie

PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI

Wojciech Bijak. Dynamiczna analiza finansowa minimalnego wymogu kapitałowego (MCR) kalibracja modelu rozszerzonego marginesu wypłacalności

Zajęcia 1. Statystyki opisowe

KURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1

Prognoza liczby wypadków drogowych w Polsce

Transkrypt:

Analiza i pognozowanie szeegów czasowych

Pojęcie szeegu czasowego Szeeg czasowy (chonologiczny, dynamiczny, ozwojowy) pezenuje ozwój wybanego zjawiska w czasie; zawiea waości zjawiska y w jednoskach czasu,, 2,..., n. Czas Poziom zjawiska y y 2 y2 : : n yn 2

Pzykłady szeegów czasowych 3

Zwolnienia lekaskie iczba dni niepzepacowanych z powodu chooby wśód pacujących na achunek własny w laach 99-95 (w ys.; dane kwaalne) 28 95_4 26 93_4 94_4 24 92_4 95_ 22 9_4 93_ 94_ 95_2 20 9_ 92_ 93_2 94_2 94_3 95_3 8 9_2 92_2 93_3 6 9_3 92_3 4 9_ 9_2 9_3 9_4 92_ 92_2 92_3 92_4 93_ 93_2 93_3 93_4 94_ 94_2 94_3 94_4 95_ 95_2 95_3 95_4 4

Skup mleka Wielkość skupu mleka w Polsce w laach 2002-2009 (w mln l; dane miesięczne) 5

Zużycie enegii elekycznej Zużycie enegii elekycznej w Łodzi w laach 993-95 (w MW; dane dzienne) 6

oy pasażeskie iczba pasażeów międzynaodowej linii loniczej w laach 949-960 (w ys.; dane miesięczne) 7

Huowa spzedaż poduku B Wielkość huowej spzedaży poduku B (dane dzienne ze 80 kolejnych dni). 8

Ceny sea Ceny skupu sea w laach 2000-203 (w zł/kg; dane miesięczne) 9

Ceny wołowiny Ceny wołowiny-żywca w laach 2000-203 (w zł/kg; dane miesięczne) 0

Aykuł piekaniczy Spzedaż aykułu w dniach 2-30..203. 2 000 0 000 8 000 6 000 w. ś. czw. p. sob. pon. w. ś. czw. p. sob. pon. w. ś. czw. p. sob. 4 000 2 000 niedz. niedz. 0 w. ś. c z w. p. s o b. n ie d z. p o n. w. ś. c z w. p. s o b. n ie d z. p o n. w. ś. c z w. p. s o b.

Aykuł piekaniczy Spzedaż aykułu w dniach.05.202-5.0.203. 6 000 4 000 2 000 0 000 8 000 6 000 4 000 2 000 0 2 2-05-0 2-05-5 2-05-29 2-06-2 2-06-26 2-07-0 2-07-24 2-08-07 2-08-2 2-09-04 2-09-8 2-0-02 2-0-6 2-0-30 2--3 2--27 2-2- 2-2-25 3-0-08 3-0-22 3-02-05 3-02-9 3-03-05 3-03-9 3-04-02 3-04-6 3-04-30 3-05-4 3-05-28 3-06- 3-06-25 3-07-09 3-07-23 3-08-06 3-08-20 3-09-03 3-09-7 3-0-0 3-0-5

35 000 30 000 25 000 20 000 5 000 0 000 5 000 0 Aykuł piekaniczy Spzedaż aykułu w dniach.2.2007-30..203. 3 07-2-0 08-02-0 08-04-0 08-06-0 08-08-0 08-0-0 08-2-0 09-02-0 09-04-0 09-06-0 09-08-0 09-0-0 09-2-0 0-02-0 0-04-0 0-06-0 0-08-0 0-0-0 0-2-0-02-0-04-0-06-0-08-0-0-0-2-0 2-02-0 2-04-0 2-06-0 2-08-0 2-0-0 2-2-0 3-02-0 3-04-0 3-06-0 3-08-0 3-0-0

Modele szeegu czasowego 4

Model z endem, bez sezonowości Model zawieający end (bez wahań sezonowych) ( ) z y f Oznaczenia: y poziom zjawiska w jednosce czasu f() funkcja endu z składnik losowy 5

Modele z endem i sezonowością Model z sezonowością - addyywny ( ) g ( ) z i y f Model z sezonowością muliplikaywny y f ( ) g ( ) z i Oznaczenia: gi() funkcja chaakeyzująca wahania sezonowe Uwaga. Sosuje się akże modele mieszane 6

Pzykład hu. spzedaży pod. B Model dopasowany pzez pof. A. Sokołowskiego dla spzedaży poduku B; źódło: www.sasof.pl Bˆ 0670,58 6,3 0,27 2 0,49B 0,20B 5 0,27 B 6 0,9B 8 2034,94RMIN 933,98RPUS 2 7

Pzykład hu. spzedaży pod. B cd. Wykesy szeegu piewonego i waości eoeycznych wyznaczonych wg modelu dla spzedaży poduku B (źódło: www.sasof.pl) 8

Ocena modelu 9

Ocena modelu Ocena modelu opiea się na miaach dopasowania waości wyznaczonych pzez model do danych empiycznych. Czas Poziom zjawiska y Waość z modelu ŷ y 2 y2 2 : : ŷ ŷ n yn ŷ n 20

błąd: (eo) Miay dopasowania modelu E y yˆ y ˆ y błąd pocenowy: PE 00 % y (pecenage eo) błąd śedni: ME ( y ) yˆ (mean eo) śedni błąd pocenowy: (mean pecenage eo) n MPE n n n PE 2

Miay dopasowania modelu cd. śedni błąd bezwzględny: (mean absolue eo) MAE n n y yˆ śedni bezwzględny błąd pocenowy: (mean absolue pecenage eo) n MAPE n y y yˆ 00% błąd śedniokwadaowy: MSE ( y ) yˆ (mean squae eo) n n 2 22

Pzykład hu. spzedaży pod. B Poównanie pognoz w pzykładzie o huowej spzedaży poduku B (www.sasof.pl) Błędy pognozy ex pos 23

Modele wygładzania wykładniczego Modele wygładzania (wyównywania) wykładniczego należą do modeli adapacyjnych. Nie ma w nich założeń o posaci analiycznej mechanizmu opisującego zjawisko, a paamey modeli dososowują się do zmian w czasie. Tzy podsawowe modele: - dla danych sacjonanych (bez endu i wahań sezonowych) - dla danych z endem - dla danych z endem i sezonowością 24

Posy model wygładzania wykładniczego Posy model wygładzania wykładniczego (Bowna) dla zjawisk bez endu i bez wahań sezonowych. Poceduę wyównywania wykładniczego można ozpocząć od pzyjmując ˆ ˆ α α ˆ ( 0; ) ( α) 2, 3,, n sała wygładzania Równanie na pognozę ˆ h α ˆ K ( α) 2, 3,, n K Pognoza wyznaczona na piewszy okes jes akże pognozą na okesy dalsze. 25

26 Uwaga Waość wyównaną można pzedsawić w posaci: ( ) ( ) ( ) n, 3, 2, α α α α α α ˆ 2 2 K Ŷ jes śednią ważoną obsewacji z piewonego szeegu czasowego z wagami malejącymi w posępie geomeycznym pzy pzechodzeniu do coaz saszych obsewacji.

27 Model Hola Model Hola dla zjawisk z endem i bez wahań sezonowych: ( )( ) ( ) ( ) h ht T β β T T ˆ α α gdzie: poziom zjawiska w czasie, α sała do wygładzania poziomu zjawiska, T end w czasie, β sała do wygładzania zmian endu; ( ) 0, β α, Waości saowe ( ) ( ) 3 2 3 3 / 2 / T T

28 Model Hola z endem gasnącym Model Hola zmodyfikowany pzez dodanie czynnika ψ łumiącego end: ( )( ) ( ) ( ) ( ) h h T ψ ψ ψ ψ ψt β β T ψt α α K 3 2 ˆ gdzie: ψ sała łumiąca end, ( ) 0,, ψ β α, Waości saowe jak w modelu bez sałej ψ.

29 Model Hola-Winesa z endem gasnącym (/2) Model Hola ozszezony o wahania sezonowe powadzi do modelu Hola-Winesa ( ) ( )( ) ( ) ( ) ( ) ( ) ( ) h h h S T ψ ψ ψ ψ S γ ψt γ S ψt β β T ψt α S α K 3 2 ˆ gdzie: S sezonowy komponen w czasie γ sała wygładzania wahań sezonowych okes wahań sezonowych

30 Model Hola-Winesa z endem gasnącym (2/2) Waości saowe ( ) ( ) ( ) ( ) [ ] ( ) ( ) ( ) ( ) S T T i i i 2 2 2 2 2 2 K K K K i, 2,...

3

32

33