Professional Documents
Culture Documents
ЛР - Моделирование Периодических Колебаний
ЛР - Моделирование Периодических Колебаний
Необхідно
1. Навести графік динаміки показника та проаналізувати характер
зміни значень показника у часі.
2. Побудувати мультиплікативну та адитивну тренд-сезонну
модель часового ряду. Оцінити точність отриманих варіантів прогнозної
моделі.
3. Провести моделювання періодичної складової часового ряду за
допомогою dummy-змінних. Побудувати лінійну багатофакторну модель і
визначити всі її характеристики (параметри моделі, середні квадратичні
відхилення параметрів моделі, дисперсію та середнє квадратичне
відхилення похибок моделі, коефіцієнти множинної кореляції та
детермінації). Перевірити статистичну значимість параметрів моделі,
коефіцієнта множинної кореляції. Перевірити адекватність моделі за
допомогою критерію Фішера.
4. Сформувати детрендований ряд. За допомогою спектрального
аналізу визначити наявність значущих періодичних складових. Провести
аналіз характеристик моделі періодичної складової часового ряду.
Знайти розрахункові значення рівнів ряду з урахуванням трендової та
періодичної складової. Оцінити точність отриманої комбінованої
прогнозної моделі.
5. Провести порівняльний аналіз якості отриманих варіантів
прогнозної моделі, визначити найкращий з них за критерієм середньої
абсолютної процентної похибки. Знайти прогноз обсягу продажів
підприємства в наступному році.
2
Рис. 8.1. Вихідні дані динаміки об'єму продажів
3
Графічний аналіз часового ряду (див. рис. 8.2) свідчить про
наявність трендової компоненти: є стійка тенденція зростання обсягів
продажів протягом останніх п’яти років. Рисунок показує, що характер
тенденції близький до лінійного розвитку, також видно сезонні коливання
(період коливань дорівнює одному року).
Аналіз часових рядів здійснюється в модулі Advanced
Linear/Nonlinear Models/Time Series/Forecasting (Часові
ряди/Прогнозування) (рис. 8.3). Стартова панель модуля наведена на
рис. 8.4.
У даному модулі реалізовані такі методи аналізу часових рядів:
ARIMA & autocorrelation function – моделі авторегресії і
проінтегрованої ковзної середньої;
Interrupted time series analysis – моделі аналізу перерваних часових
рядів (моделі інтервенції);
Exponential smoothing & forecasting – моделі експоненційного
згладжування та прогнозування
Spectral (Fourier) analysis – моделі спектрального аналізу Фур’є;
Seasonal Decomposition (Census 1) – моделі сезонної декомпозиції;
X11 / Y2k (Census 2) monthly / quarterly – спеціальні моделі сезонної
декомпозиції;
Distributed Lags Analysis – моделі аналізу розподілених лагів.
4
Рис. 8.4. Стартова панель модуля Time Series/Forecasting
5
Рис. 8.5. Параметри моделі сезонної декомпозиції
6
На рис. 8.6 наведені результати моделі сезонної декомпозиції
об'єму продажів, які можна отримати, ініціювавши клавішу Summary:
Seasonal Decomposition у верхній частині вікна на рис. 8.5.
7
а по осі Y – Seasonally adj. series. Результат наведено на рис. 8.7.
8
Графік сезонної складової (Seasonal factors) наведений на рис. 8.9.
9
Рис. 8.10. Розрахунок прогнозних значень обсягів продажу
10
На рис. 8.12 наведені всі компоненти мультиплікативної моделі
декомпозиції, теоретичні значення об’ємів продажів та похибки за даною
моделлю.
11
Рис. 8.13. Побудова графіків аналізу випадкової компоненти
12
Рис. 8.15. Графік випадкової компоненти на нормальному
ймовірнісному папері
13
На рис. 8.17 наведені результати моделі адитивної сезонної
декомпозиції.
14
значень обсягів продажу наведений на рис. 8.19.
y j=a+ β 1 d j 1 + β 2 d j 2+ β 3 d j 3 +ε j,
{1 , якщо jвідповідає
d j1 =
першому кварталу ,
0 , в інших випадках
d ={
1 , якщо jвідповідає третьому кварталу ,
j3
0 , в інших випадках .
15
Рис. 8.20. Вихідні дані
16
Рис. 8.21. Вибір змінних для аналізу
17
Рис. 8.23. Таблиця дисперсійного аналізу
18
Рис. 8.25. Графік розрахункових та фактичних значень обсягів
продажу
y t =99,46843+0,55131 t
19
шляхом задавання формули розрахунку P_R= Y-99,46843-0,55131*t в
області специфікації змінної Long name. Графік значень першого
залишкового ряду наведений на рис. 8.27.
20
однофакторний Фур’є-аналіз – Single series Fourier analysis;
кросс-спектральний аналіз – Two series Fourier analysis.
Після ініціації опції Single series Fourier analysis (однофакторний
Фур’є-аналіз), визначення залежної змінної Dependent variable – P_R
(перший залишковий ряд), отримане наступне вікно результатів аналізу
(рис. 8.29).
21
Рис. 8.30. Періодограмма часового ряду
22
У таблиці, наведеній на рисунку, розраховані всі коефіцієнти Фур'є.
Також у таблиці зазначені значення періоду та частоти для кожної
гармоніки. З даної таблиці видно, що сама повільна хвиля має період,
який дорівнює довжині ряду (20 кварталів), а найшвидший період рівний
2 кварталам. Крім того, у таблиці, наведеній на рисунку, вказуються ваги
так званого спектрального вікна Хемминга. Наявність даних ваг
припускає, що здійснюється згладжування вибіркового спектра у
спектральному вікні. Розмір даного вікна рівний 5. Згладжування
використовується внаслідок того, що існує зсув оцінки спектра. Для
усунення зсуву оцінки можна використовувати фільтри згладжування.
Крім ваг вікна Хемминга використовуються також вікна Даніеля, Тьюки,
Парзена, Барлетта. Визначити вікна згладжування можна за допомогою
відповідної опції у вкладці Advanced (розширений аналіз) (рис. 8.33).
За винятком вікна Даніеля, усі функції приписують більшу вагу
спостереженню, що згладжується та перебуває в центрі вікна й менші
ваги значенням у міру видалення від центру. У багатьох випадках усі ці
вікна даних дають дуже схожі результати (рис. 8.34).
23
а) спектральне вікно Парзена
24
Рис. 8.35. Графік розрахункових та фактичних значень обсягів
продажу
25
можна зробити висновок, що побудовані моделі є адекватними та
забезпечують високу точність прогнозу. Але найкращу якість
апроксимації забезпечує регресійна модель з dummy-змінними та
адитивна тренд-сезонна модель.
Щоб розрахувати прогнозні значення на підставі регресійної моделі
з dummy-змінними, у нижній частині вікна результатів регресійного
аналізу є опція Predict dependent variable (Прогнозування залежної
змінної), ініціювавши дану опцію необхідно вказати значення фіктивних
змінних та фактора часу, для яких необхідно спрогнозувати залежну
величину.
Результати прогнозування наведені на рис. 8.36.
26
в) прогнозне значення обсягу продажів на IV квартал
27
Рис. 8.37. Таблиця розрахунку прогнозних значень
28
регресійна модель забезпечує більш високу точність, тому прогноз,
отриманий за цією моделлю, можна сприйняти як базовий.
29