KIEKYBINIAI SPRENDIMŲ METODAI

Doc. Dr. Renata Činčikaitė

 DAUGIANARĖ
KORELIACINĖ REGRESINĖ
ANALIZĖ

2
Daugianarės tiesinės regresijos modelis
ỹ= a0  a1 x1  ...  an xn
Regresijos koeficientai a0, a1…an randami naudojant statistinę funkciją LINEST

Be tiesinės daugianarės regresijos modelio, dar naudojamos ir kitos funkcijos,

kurias galima transformuoti į tiesinį daugianarės regresijos modelį.

Laipsninė ỹ=b0 * x1b * x2b … xmb ;

1 2 m

Eksponentinė ỹ=b0 * b1x * b2x …*bnx ;

1 2 n

1
Hiperbolinė ỹ= b
0  b1 x1  ...  bm xm
 Sintaksė - LINEST(žinomi_y;žinomi_x;konstanta,statistika)

po to paspauskite klavišus CTRL+SHIFT+ENTER. Jei formulė įvesta ne kaip

masyvo formulė, bus gautas vienintelis rezultatas.

Jei turite tik vieną nepriklausomą kintamąjį x, galite gauti krypties koeficiento ir y
postūmio reikšmes tiesiogiai naudodami šias formules:
Krypties koeficientas(a1): =INDEX(LINEST(žinomi_y;žinomi_x);1)
Y postūmis (a0): =INDEX(LINEST(žinomi_y;žinomi_x);2)
Statistinės funkcijos LINEST rezultatai
am ... ... a2 a1 a0

Sam … … Sa2 Sa1 Sa0

D=R2

F n-m-1

Qregr Qlik
Koreliacijos koeficientas
Šis koeficientas rodo ar egzistuoja stochastinis ryšys tarp y ir visų nagrinėjamų
veiksnių.

Sy  S
2 2
R  lik
S y2

Determinacijos koeficientas (D) yra lygus koreliacijos koeficiento kvadratui ir

parodo, kiek procentų nagrinėjamojo veiksnio reikšmių išsibarstymo paaiškina
regresijos lygtis am ... ... a2 a1 a0

Sam … … Sa2 Sa1 Sa0

D=R2
R 0.90
F n-m-1

Qregr Qlik
Regresijos kreivės adekvatumas
Apskaičiuojame regresijos dispersiją
^

S 2
regr 
 ( y i - y) 2
m m-veiksnių skaičius

Apskaičiuojame likutinę dispersiją

S 2
lik 
 i i
( y  y ) 2

n  m 1
Regresijos kreivės adekvatumas (2)
Apskaičiuojame statistiką F
2
S ^y
F 2
S lik

Šią reikšmę reikia palyginti su lenteline reikšme. Statistika F pasiskirsčiusi pagal

Fišerio pasiskirstymo dėsnį su laisvės laipsniais v1=m ir v2=n-m-1

Šią reikšmę apskaičiuojame remiantis Excel’io funkcija FINV

Regresijos kreivės adekvatumas (3)
Jei apskaičiuotas dispersijų santykis yra didesnis už kritinę reikšmę

F  F ,v1 ,v2
kr

Tai darome išvadą, kad regresijos lygtis yra adekvati realiai padėčiai ir ją
galima taikyti planavimui, praktiniams skaičiavimams.
Galima ieškoti regresijos kreivės kita analitine forma, pvz.,
eksponentinės kreivės pavidalu:

ỹ = b0 * b1x1* b2x2*…*bnxn

Tokiu atveju regresijos lygties koeficientus gauname

taikydami statistinę funkciją LOGEST.
Sintaksė - LOGEST(žinomi_y;žinomi_x;konstanta,statistika)

po to paspauskite klavišus CTRL+SHIFT+ENTER. Jei formulė įvesta ne kaip

masyvo formulė, bus gautas vienintelis rezultatas.

Krypties koeficientas (a1): INDEX(LOGEST(žinomi_y;žinomi_x);1)

Y postūmis (a0): INDEX(LOGEST(žinomi_y;žinomi_x);2)
TREND ir GROWTH, skirtos skaičiuoti regresijos
linijos reikšmes, imant konkrečias nepriklausomųjų
kintamųjų reikšmes

12
PROGNOZAVIMAS

13
 Prognozavimo pradžia yra laikomas – devintasis
dešimtmetis

Prognozavimas - ateities įvykių numatymas, kurie turės

svarbų poveikį įmonės funkcionavime.
J. Sloman, M. Sutcliffe teigimu, prognozę turi
apibrėžti mažiausiai trys kriterijai:

• produkto lygis;
• regioniškumas;
• laikotarpis, kuriam atliekama prognozė.
Prognozių klasifikavimas
• Taikymo laikotarpis
• Trumpalaikės
• Vidutinės trukmės
• Ilgalaikės
• Taikymo srytis
• Mikroprognozės
• Makroprognozės
• Atliekamas būdas
– kokybiniai prognozavimo metodai,
– kiekybiniai prognozavimo metodai.
 Prognozavimo
modeliai

Kokybiniai Kiekybiniai

Pardavimo galios Kliento Ekspertų Delfi Laiko Priežastiniai

analizė analizė įvertinimai metodas eilutės

Kintantis vidurkis Eksponentinis Dekompozicija ARIMA Neuroniniai Regresija Ekonometrija

lygiavimas tinklai

17
Kokybiniai prognozavimo metodai
• Delfų metodas - ekspertų grupė apklausiama keletą kartų.
Vadovas arba koordinatorius po kiekvieno pokalbio, atskirai su
kiekvienu ekspertu gali susidaryti gana išsamią nuomonę apie
prognozuojamo reiškinio parametrus. Šis metodas yra geras
tuo, kad panaikina neigiamą daugumos nuomonės efektą.
• Grupės pasitarimo metodas - kai grupė ekspertų tariasi
panaudodami savo žinias, prognozuoja ateitį.
• Rinkos tyrimo metodas - kuo labiau pažįstama, ištiriama
rinka, tuo labiau galima daryti tikslesnes prognozes, kaip prie
jos prisitaikyti ateityje.
• Istorinės analogijos metodas - remiamasi praeities patirtimi.
• Nerealus prognozavimo metodas - kai vadovai ir specialistai
prognozuoja ateitį remdamiesi nuojauta.
Kokybiniai prognozavimo metodai (2)
– situacijos istorija (remiasi panašių produktų ar
sėkmingų/ne sėkmingų pavyzdžių praeityje palyginimu);
– vykdomieji sprendimai (paremti intuityviais pagrindinių
vykdytojų sprendimais);
– dirbtinis intelektas (kompiuteriai suteikia galimybę
panaudot vadybininkų įnašą prognozavime, ko pasėkoje
gaunami sprendimai, panašūs į tuos, kuriuos priimtų
vadybininkai);
– superkomisijos (suformuojamos siekiant gauti bendrą
grupės įvertinimą);
Kokybiniai prognozavimo metodai (3)
– pardavimų tikslai (įmonės vadovybė nurodo, kokių
rezultatų turi pasiekti įmonė, šie sprendimai turi būti
priimami atsižvelgiant į įvairius veiksnius pvz.:
veikiančias rinkos jėgas, įmonės galimybes);
– geriausių sprendimų numatymas („iš apačios“ tipo
prognozavimo metodas, pardavimų jėgos, remdamosi
kontaktu su vartotoju ir jo įnašu, „stumia“ prognozes į
viršų kanalais, kuriuose atsiranda įvairių modifikacijų);
– ir kiti.
 Kiekybiniai prognozavimo
metodai

išskaidomi į du pogrupius: duomenų sekų analizė ir

priežastinis prognozavimas.

Pirmajam pogrupiui yra išskiriami:

– tendencijų analizė;
– kitimo vidurkis;
– eksponentinis lyginimas;
– Box – Jenkins (šie modeliai mėgina paskaičiuoti
pasikartojančius pokyčius istorinėse serijose, kas jo
bebūtų: tendencijos, sezoniniai pokyčiai ar cikliški
svyravimai);
– naivusis arba paprastas prognozavimo metodas
 Kiekybinia prognozavimo
metodai

Antrąjį pogrupį sudaro:

• regresiniai (sieja pardavimus su ekonominiais,
konkurentiniais ar vidiniais kintamaisiais į lygybes
prognozavimui);
• ekonominiai modeliai (naudoja nepriklausomų
regresinių lygybių sistemą verslo veiklos sferos
apibūdinimui, norint numatyti pardavimų
pasikeitimus);
• Ir kiti.
 Teigiamas vertinimas Neigiamas vertinimas
•Nesunkiai prieinami •Netinka prognozuoti naujų
duomenys; produktų paklausai;
•Sugebėjimas prognozuoti •Dideli kaštai: dažnai
Kiekybinis verslo posūkio taškus; reikalaujama nuolatinio rinkos
prognozavimas •Ekonominių rodiklių analizavimo ir periodinio
tarpusavio priklausomybė duomenų rinkimo;
bei svyravimų įvertinimas •Dažnai sudėtinga naudoti ir
interpretuoti rezultatus

•Ne reikalingi ankstesnių •Subjektyvi ekspertų nuomonė;

laikotarpių duomenys; •Neįvertinami duomenų sekų
Kokybinis •Leidžia susiformuoti svyravimai (sezoniniai, cikliniai,
prognozavimas nuomonių įvairovei; trendo, atsitiktiniai);
•Ekspertų anonimiškumas •Neįvertinamas ekonominių
padidina prognozių rodiklių tarpusavio ryšys;
patikimumą •Netinka sudaryti trumpalaikėms
prognozėms
Prognozavimas remiasi tokiais
principais:
Problema:
• tikslų nustatymas;
• problemos struktūrizavimas;

Informacija:
• informacijos šaltinių paieška;
• duomenų rinkimas;
• duomenų paruošimas;
24
Metodai:
•metodų parinkimas;
•metodų realizavimas;
•prognozavimo derinimas;

Analizė:
•metodų įvertinimas;
•neapibrėžtumų įvertinimas;
Prognozės naudojimas:
•prognozės apibendrinimas;
•nagrinėjimas.
25
Atliekant prognozavimą
1. duomenų surinkimas
2. surinktų duomenų filtravimas
3. prognozės modelio parinkimas
4. bandomosios prognozės sudarymas
5. atliktos prognozės įvertinimas
Visų pirma reikia nustatyti duomenų charakteristikas.
Tam yra naudojamas autokoreliacijos metodas – tai
koreliacija tarp duomenų ir jų pavėlavimų vienu ar
daigiau periodų.

1. ar turimi duomenys yra atsitiktiniai (jei duomenys yra

atsitiktiniai, tuomet automatinė koreliacija tarp Yt ir Yt-k yra
artima nuliui, duomenys neturi tarpusavio ryšio);

2. ar turimi duomenys turi trendą (jei laiko eilutė turi trendą,

tuomet tarp Yt ir Yt-1 yra stiprus koreliacijos ryšys, o didėjant
vėlavimo laikotarpiams šis ryšys silpnėja);
3. ar turimi duomenys yra pastovūs;

4. ar turimi duomenys turi sezoninius svyravimus

(jei laiko eilutė turi sezoninius svyravimus, tuomet
duomenys ir pavėlavimas vienu periodu bus
panašūs, o koreliacijos koeficientas vėluos, jei
nagrinėjami ketvirčiai 4 periodus, jei mėnesiai 12
periodų.

Nustačius kokią laiko eilutę mes turime,

pagal tai yra pasirenkamas prognozavimo modelis:
•Pastoviem (nekintamiems) duomenims prognozuoti
rekomenduojami tokie metodai: naiviojo požiūrio,
paprastojo vidurkio, slenkančio vidurkio, eksponentinio
išlyginimo ir Box – Jenkins metodai;

•Duomenims turintiems trendą rekomenduojami tokie

metodai: slenkančio vidurkio, tiesinio eksponentinio
išlyginimo (Holt), tiesinės regresijos, augančios
kreivės ir Box – Jenkins metodai;
•Duomenims su sezonine komponente
rekomenduojama taikyti šiuos metodus: klasikinio
duomenų išskaidymo, Census X – 12, eksponentinis
išlyginimas (Winter), daugianarės regresijos ir Box –
Jenkins metodai;

•Duomenims su cikline komponente (taikytini šie

metodai: klasikinio duomenų išskaidymo, ekonominių
indikatorių, ekonometriniai modeliai, daugianarė
regresija ir Box – Jenkins metodai.
Prognozių tikslumas priklauso:
• Duomenų kiekio aprašančio prognozuojamą
reiškinį
• Nuo supratimo kokie veiksniai ir kaip lemia
prognozuojamą reiškinį
• Ar prognozės gali turėti įtakos veiksniams,
nulemiantiems prognozuojamą reiškinį
• Kokias prielaidas padarėme kurdami
prognozavimo modelį
• Kaip ir kodėl gali keistis tie veiksniai, kuriuos
modelio prielaidose laikėme nekintamais 31
 Prognozės tikslumo laipsniui, arba klaidos tikimybei,
įvertinti S. G. Karsten, H. J. Wilson išskiria dvi
prognozių vertinimo rodiklių grupes: ex ante ir ex post.

Ex ante rodikliai dažnai apibrėžiami kaip prielaidos,

kurias patikrinti galima tik praėjus prognozuojama
laikotarpiui. Dėl šios priežasties ex ante rodiklius kartais
būna sunku nustatyti.

Siekiant nustatyti tiksliausią prognozavimo

metodą, mokslinėje literatūroje dažniau naudojami
ex post rodikliai (et , MSE, MAPE…)
• Vidutinė kvadratinė paklaida:

  Yt )
2
(F

t
MSE
n
• Vidutinė absoliučioji paklaida:

MAD=
 F t  Yt
n
• Vidutinė prognozavimo paklaida:

MFE   (F t  Yt )
n
• Vidutinė absoliučioji santykinė paklaida:
1 Ft  Yt
MAPE= n  Y
t
KIEKYBINIAI PROGNOZAVIMO
METODAI

34
Slenkančio vidurkui metodas
Apskaičiuojamas pagal formulę:

n paskutinių _ reiksmių _ suma

Slenkantis _ vidurkis 
n

Jo esmė yra pasirinkti tinkamą praėjusių laikotarpių skaičių n.

Paėmus per daug laikotarpių, prognozės labai lėtai reaguoja į
paskutinių laikotarpių pardavimo apimties kitimo krypties
pasikeitimus, o per mažas laikotarpių skaičius verčia
prognozes pernelyg jautriai reaguoti į mažiausius
pasikeitimus.
Pavyzdys Uždaviniai:
metai pardavimai (vnt) •Atlikti turimų duomenų prognozę
1997 188550 tokiais metodais:
1998 217901
1999 241100
- slenkančio vidurkio
2000 261875
- eksponentinio išlyginimo
2001 275842
2002 279333
2003 289808
2004 296792
Pagal duotus duomenis atliekame prognozę
slenkančio vidurkio metodu (už du metus)
metai pardavimai (vnt.) prognozė
1997 188550
1998 217901
1999 241100 203226
2000 261875 229501
2001 275842 251488
2002 279333 268859
2003 289808 277588
2004 296792 284571
2005 293300
 Slenkantis vidurkis
pardavimai (sk.)

400000
300000
pardavimai (vnt.)
200000
100000
prognozė
0
1997

1998

1999

2000

2001

2002

2003

2004

2005
metai
Eksponentinio išlyginimo metodas
Apskaičiuojamas pagal formulę:

F t  1   Y t  (1   ) F t
Ft 1 – laiko eilutės prognozė laikotarpiui t + 1

Yt – aktuali eilutės reikšmė laikotarpyje t

Ft – laiko eilutės reikšmė laikotarpyje t
 – išlyginimo konstanta ( 0    1)
Eksponentinio išlyginimo metodas (2)
Šio metodo skaičiavimas yra paremtas nuolatiniu
prognozuojamų rezultatų peržiūra atsižvelgiant į naujausius duomenis.
Svarbiausias privalumas tas, kad jis pabrėžia naujausią informaciją ir
palaipsniui vis mažesnį dėmesį skiria senesnei.

Čia sunkiausia pasirinkti tinkamą išlyginimo konstantą (α) vertę. Žemesnė

konstanta užtikrina didesnį stabilumą, o aukštesnė greičiau reaguoja į
rinkos pokyčius. Kai konstanta α=1, gaunamos tokios pačios prognozės
kaip ir sudarytos, remiantis naiviuoju požiūriu. Imant žemas konstantas,
prognozė greičiausiai atsiliks nuo rinkos pokyčių sukeliamų pardavimo
apimčių pasikeitimų, o pasirinkus aukštas konstantas, bus linkusi
pervertinti rinkos sąlygų laikinus pasikeitimus.
Pagal duotus duomenis atliekama prognozė eksponentinio
išlyginimo metodu, kai α=0,2 ir α=0,4
pardavimai prognozė prognozė
metai (vnt.) (α=0,2) (α=0,4)

1997 188550
1998 217901 188550 188550
1999 241100 194420 200290
2000 261875 203756 216614
2001 275842 215380 234719
2002 279333 227472 251168
2003 289808 237844 262434
2004 296792 248237 273384
2005 257948 282747
 Eksponentinis išlyginimas
350000
pardavimai (vnt.)

300000
250000
pardavimai (vnt.)
200000
prognozė (α=0,2)
150000
prognozė (α=0,4)
100000
50000
0
1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006
metai