Wprowadzenie do teorii prognozowania

Podobne dokumenty
5. Model sezonowości i autoregresji zmiennej prognozowanej

4. Średnia i autoregresja zmiennej prognozowanej

3. Modele tendencji czasowej w prognozowaniu

Ekonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota

Ćwiczenia IV

Motto. Czy to nie zabawne, że ci sami ludzie, którzy śmieją się z science fiction, słuchają prognoz pogody oraz ekonomistów? (K.

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

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

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

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

Propozycja modelu prognostycznego dla wartości jednostek rozrachunkowych OFE. 1. Wstęp

t y x y'y x'x y'x x-x śr (x-x śr)^2

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

Kształtowanie się cen m 2 mieszkania we Wrocławiu w krótkim okresie

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

Rozdział 8. Regresja. Definiowanie modelu

3. Analiza własności szeregu czasowego i wybór typu modelu

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

7.4 Automatyczne stawianie prognoz

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

Prognozowanie na podstawie modelu ekonometrycznego

Wnioskowanie statystyczne. Statystyka w 5

Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

EKONOMETRYCZNA PROGNOZA ODPŁYWÓW Z BEZROBOCIA

Metody Prognozowania

Teoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie

Ekonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006

MODELE LINIOWE. Dr Wioleta Drobik


Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

Ćwiczenie 5 PROGNOZOWANIE

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

/2019 WORKING PAPER. System prognoz krótkoterminowych (wersja pilotażowa)

Indeksy dynamiki (o stałej i zmiennej podstawie)

1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2010/2011

Imię, nazwisko i tytuł/stopień KOORDYNATORA przedmiotu zatwierdzającego protokoły w systemie USOS Jacek Marcinkiewicz, dr

1.9 Czasowy wymiar danych

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej

23 Zagadnienia - Prognozowanie i symulacje

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY

Statystyka. Wykład 4. Magdalena Alama-Bućko. 19 marca Magdalena Alama-Bućko Statystyka 19 marca / 33

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski

Spis treści 3 SPIS TREŚCI

O LICZBIE ABONENTÓW TELEFONII KOMÓRKOWEJ W POLSCE ZDANIEM TRZECH STATYSTYKÓW

Zad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:

MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE

Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych

czerwiec 2013 Uwaga: Przy rozwiązywaniu zadań, jeśli to konieczne, należy przyjąć poziom istotności 0,1 i współczynnik ufności 0,90

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA

1 n. s x x x x. Podstawowe miary rozproszenia: Wariancja z populacji: Czasem stosuje się też inny wzór na wariancję z próby, tak policzy Excel:

Miary zmienności STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 6 marca 2018

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Ocena jakości prognoz wybranych wskaźników rozwoju gospodarczego woj. lubelskiego

STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Zadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1

Statystyka. Wykład 4. Magdalena Alama-Bućko. 13 marca Magdalena Alama-Bućko Statystyka 13 marca / 41

EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE

Analiza rynku projekt

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

KRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH. Sławomir Śmiech, Monika Papież

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007

STATYSTYKA wykład 5-6

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych

Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018

Ekonometryczna analiza popytu na wodę

Wykład 5: Analiza dynamiki szeregów czasowych

Dopasowywanie modelu do danych

Metody Ilościowe w Socjologii

FORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS

1 Podstawy rachunku prawdopodobieństwa

Metoda najmniejszych kwadratów

Prognozowanie rynku pracy woj. lubelskiego z wykorzystaniem modeli ARIMA i ARIMAX

Ekonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej

Psychometria PLAN NAJBLIŻSZYCH WYKŁADÓW. Co wyniki testu mówią nam o samym teście? A. Rzetelność pomiaru testem. TEN SLAJD JUŻ ZNAMY

2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona

Analiza współzależności zjawisk

Plan wykładu. Statystyka opisowa. Statystyka matematyczna. Dane statystyczne miary położenia miary rozproszenia miary asymetrii

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

Prognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Estymacja punktowa i przedziałowa

Stanisław Cichocki. Natalia Neherbecka. Zajęcia 13

PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Statystyka. Wykład 9. Magdalena Alama-Bućko. 24 kwietnia Magdalena Alama-Bućko Statystyka 24 kwietnia / 34

Pobieranie prób i rozkład z próby

Rozkłady statystyk z próby. Statystyka

WERYFIKACJA MODELI MODELE LINIOWE. Biomatematyka wykład 8 Dr Wioleta Drobik-Czwarno

Statystyka. Wykład 3. Magdalena Alama-Bućko. 6 marca Magdalena Alama-Bućko Statystyka 6 marca / 28

Rozkłady statystyk z próby

Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa

Statystyka opisowa. Literatura STATYSTYKA OPISOWA. Wprowadzenie. Wprowadzenie. Wprowadzenie. Plan. Tomasz Łukaszewski

EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA *

Metody prognozowania: Jakość prognoz Wprowadzenie (1) 6. Oszacowanie przypuszczalnej trafności prognozy

Transkrypt:

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 i długoterminowe. 3. Metody i reguły prognozowania. Model szeregu czasowego i jego składowe. 4. Próba ucząca (inaczej szkoleniowa lub kalibracyjna) i próba testowa (inaczej weryfikacyjna lub walidacyjna). 5. Błąd szacunkowy prognozy (ex ante) i błąd faktyczny prognozy wygasłej (ex post).

II Szacowanie (inaczej kalibracja) i walidacja modelu szeregu czasowego Szereg czasowy y t t = 1, 2,, T to ciąg zaobserwowanych realizacji zmiennych losowych wielkości zmiennej prognozowanej Y 1, Y 2, Y T w kolejnych okresach, od najwcześniejszego do najpóźniejszego w czasie t: y 1, y 2,..., y N, y N+1,..., y T. Ocena błędu modelu i błędu szacunkowego prognozy Próba ucząca Próba testowa Ocena błędu faktycznego prognoz w próbie testowej ŷ 1, ŷ 2,..., ŷ N, y* N+1,..., y* T, y* T+1,, y* T+z wielkości prognozy liczba z prognoz wygasłe niewygasłych Reguła prognozowania

III Miary błędu szacunkowego Błąd ex ante mierzy dopasowanie modelu do obserwacji, których użyto do jego oszacowania, czyli próby uczącej (t = 1,, N). Dla każdej obserwacji w próbie uczącej wyznacza się tzw. resztę: e t = y t ŷ t t = 1, 2,, N Typowe miary błędu szacunkowego to: 1) współczynnik determinacji R 2 R 2 = 1 N t=1 N t=1 e t 2 y t y 2 lub R 2 = N t=1 N t=1 y t y t 2 y t y 2 2) odchylenie standardowe reszt modelu s i współczynnik wyrazistości: s 1 N N m 1 t 1 2 e t m to liczba zmiennych objaśniających (bez stojącej przy wyrazie wolnym i równej 1). s wsp. wyraz. y *100. 3) Szacunkowy błąd średni prognozy v t v t s 1 x * ( X ' X ) 1 x * '. 4) Szacunkowy błąd względny prognozy = v t y t *100

IV Miary błędu faktycznego Błąd faktyczny (ex post) mierzy błąd prognoz wygasłych y t * w okresach próby testowej Błąd prognozy wygasłej w okresie t-tym q t : Względny błąd (%) = q y q t = y t y t * *100. Błąd średniokwadratowy (MSE): t t t = N+1, N+2,, T MSE = 1 T N T t=n+1 q t 2 Pierwiastek błędu średniokwadratowego (RMSE): Inne: Błąd średni (ME) Średni absolutny błąd (MAE) Średni absolutny błąd procentowy (MAPE) RMSE = 1 T N T 2 q t t=n+1

V Organizacja prognozowania: 1.Sformułowanie zadania prognostycznego (przedmiot prognozy - zmienna prognozowana, cel, okres i odbiorca prognozy). 2.Podanie przesłanek prognostycznych (ocena własności szeregu prognozowanego, zmienne powiązane). 3. Dobór odpowiednich metod modelowania. 4.Wybór modelu prognostycznego w oparciu o dokładność, trafność i dopuszczalność prognozy. 5. Wyznaczenie prognozy niewygasłej. Interpretacja prognozy i analiza możliwości jej zastosowania. Funkcje prognozy.

VI Przykład zadania prognostycznego Podmiotem badania jest przedsiębiorstwo Grene Sp. z o.o. i jego działalność w latach 2005-2011. Przedsiębiorstwo zajmowało się handlem artykułami do produkcji rolnej oraz częściami i akcesoriami do maszyn i urządzeń rolniczych, a także do pojazdów mechanicznych. Działalność prowadzono na terenie całej Polski. Przedmiotem badania jest sprzedaż hurtowa asortymentu towarów przedsiębiorstwa, a zmiennymi prognozowanymi są kwartalne wysokości sprzedaży każdej z dziesięciu grup produktowych w złotówkach według cen kwartału 4 roku 2011. Przygotowanie danych. Przyjęto kwartalną długość okresu obserwacji i prognozy, ponieważ jest on powiązany z porami roku i warunkami pogodowymi, a więc z najważniejszymi czynnikami cyklicznymi w działalności rolniczej. Na podstawie sprawozdań przedsiębiorstwa ustalono szereg czasowy wartości sprzedaży o kwartalnej długości okresu obserwacji w latach 2005-2011. Szereg przeliczono na ceny kwartału 4 roku 2011 dzieląc sprzedaż w cenach bieżących przez deflator dla każdego z kwartałów. Kwartalna wartość deflatora podana jest wzorem: poziom cen t Deflator t = 100, poziom cen t=28(kwartał 4 rok 2011) Stąd z definicji: Deflator t=28 = 100. Pozostałe deflatory wyznaczono rekurencyjnie ze wskaźników stopy inflacji CPI kdk: Deflator t 1 = Deflator t CPI t 100.

Próba zawiera zgromadzone obserwacje kwartalne sprzedaży od kwartału 1. w roku 2005 do kwartału 4. w roku 2011. Do zakresu próby uczącej, nazywanej też modelową, należą obserwacje od kwartału 1. w roku 2005 do kwartału 4. w roku 2010, czyli 24 obserwacje kwartalne z sześciu lat. Do zakresu próby testowej, inaczej nazywanej też weryfikacyjną, należą obserwacje kwartałów od 1. do 4. w roku 2011. W próbie uczącej szacowano parametry modeli empirycznych sprzedaży. Następnie w próbie testowej oceniono trafność prognostyczną wyznaczonej z modelu decyzji.

VII Wyznaczanie błędów w modelu z trendem Uzupełnij Tabelę wiedząc, że zbudowano model empiryczny trendu zmiennej prognozowanej y t o postaci: y t = 4 + 2t. 1. Oblicz: współczynnik R 2, odchylenie standardowe reszt modelu s, współczynnik wyrazistości, szacunkowy błąd bezwzględny v t i błąd względny prognozy dla zakresu czasowego prób. Wiadomo, że: t = y t = ŷ t = y* t = e t = q t = 1 5 2 9 3 12 4 10 5 13 6 15 X'X = 1 1 1 1 * 1 1 = 4 10 1 2 3 4 1 2 10 30 1 3 1 4 2. Oceń dopuszczalność prognozy, jeśli decydent akceptuje co najwyżej błąd 15%. 3. Narysuj w układzie współrzędnych obserwacje oraz wielkości modelowe i prognozowane względem czasu. 4. Oblicz: bezwzględne i względne prognoz wygasłych oraz błędy ME, MAE, MPE, MAPE, MSE, RMSE.

VIII Wyznaczanie błędów w modelu z wyrazem wolnym Uzupełnij Tabelę wiedząc, że zbudowano model empiryczny trendu zmiennej prognozowanej y o postaci: y = y = 9. t = y t = ŷ t = y* t = e t = q t = 1 12 2 9 3 5 4 10 5 8 6 10 1. Oblicz: współczynnik R 2, odchylenie standardowe reszt modelu s, współczynnik wyrazistości, szacunkowy błąd bezwzględny v t i błąd względny prognozy dla zakresu czasowego prób. 2. Oceń dopuszczalność prognozy, jeśli decydent akceptuje co najwyżej błąd 15%. 3. Narysuj w układzie współrzędnych obserwacje oraz wielkości modelowe i prognozowane względem czasu 4. Oblicz: bezwzględne i względne prognoz wygasłych oraz błędy ME, MAE, MPE, MAPE, MSE, RMSE.

Odpowiedzi VIII: 1. R 2 = 0, s = 2,9, współczynnik wyrazistości = 32%, v t=5 = 3,24 2. Szacunkowy błąd względny = 36% > 15%. 4. Błędy faktyczne względne: -12,5% dla t = 5 i 12,5% dla t= 12,5% dla t = 6. ME = 0, MAE = 1, MPE = 0% MAPE = 12,5% MSE = 1, RMSE = 1.