Professional Documents
Culture Documents
Laiko Eilutės Glodinimas 2014
Laiko Eilutės Glodinimas 2014
Turinys
1.
2.
3.
4.
5.
Absoliuts (Yt)
Yt= Tt + Ct + St+ At
Yt= Tt Ct St At
Yt= Tt + Ct + St+ At
25000
20000
15000
Yt= Tt Ct St At
10000
5000
0
Stebjim svoriai yra skirtingi. Svori priskyrimo schemos gali bti vairios. Pavyzdyje pateikiamas
variantas, kai vlesniam stebjimui priskiriamas vis maesnis svoris
1,400
1,200
1,000
800
600
00
01
02
03
04
05
06
07
08
09
DU_PRIV
SL_CENT_VID_PRIV_DU
SL_VID_DU_PRIV
10
11
12
13
sezonikumo indeksas - St
1,800
1,600
1,400
Scaling Factors:
1,200
1
2
3
4
-15.74700
-5.236579
10.21294
10.77063
1,000
Date: 09/10/13 Time: 10:11
Sample: 2000Q1 2013Q2
Included observations: 54
Ratio to Moving Average
Original Series: DU_PRIV
Adjusted Series: DU_PRIVSA
800
600
Q1
Q2
Q3
Q4
Scaling Factors:
Means by Season
1
2
3
4
0.985407
0.996610
1.009240
1.008939
UZ_PRIV by Season
700,000
650,000
Scaling Factors:
600,000
1
2
3
4
550,000
500,000
450,000
400,000
Q1
Q2
Q3
Means by Season
Q4
-3904.499
4613.033
7037.733
-7746.267
0.992218
1.008364
1.013349
0.986318
Pirmin iraika
Pavadinimas
tiesin form
transformuota iraika
Tiesin
Yt=a+bt
Eksponentin
Yt=a*ebt
lnYt=lna+b*t
Hiperbolin
Yt=a+b/t
Logaritmin
Yt=a+b*lnt
Rodiklin
Yt=a*tb
lnYt=lna+b*lnt
Cikliniai svyravimai
5. Cikliniai svyravimai nustatomi eliminavus
trendo komponent i ilygintos eiluts
Ct = (Tt+Ct )- Tt
Ct = Tt Ct / Tt
01
02
03
04
05
CIKLAS_DU_PRIV
SL_VID_DU_PRIV
DU_PRIVSA
06
07
08
09
10
11
SL_VID_CENT_DU_PRIV
TREND_DU_PRIV
12
13
Ribotumai:
Retai kada naudojama prognozavimui dl ciklo ir
atsitiktinis komponeni neprognozuojamumo
Eksponentinis glodinimas
Paprastas
S1= Y1
S2= Y2+(1- ) S1
Bendru atveju
St= Yt+(1- ) St-1,
St= [Yt+(1- )Yt-1+(1- )2Yt-2+]+ (1- )t-1Y1
Eksponentinis glodinimas
Paprastas
Faktoriaus ypatumai
0 < <1
Yt labai stipri atsitiktini svyravim taka:
0
Faktoriaus
. nustatymo bdai:
analitiko nuoira parenkamas ilyginimo faktorius
Eksponentinis glodinimas
Dvigubas (Holto tiesinis)
Jeigu laiko eilut turi trend, taikomas
dvigubas eksponentinio ilyginimo
metodas.
Eksponentinis glodinimas
Dvigubas (Holto tiesinis)
St= Yt+(1- )(St-1+bt-1)
bt=(St-St-1)+(1- )bt-1
Ft+m=St+btm
Prognozs reikm
ir glodinimo koeficientai
St suglodinta t stebjimo reikm
bt trendo suglodinta t reikm
Ft+m prognozs reikms m- period priek
Eksponentinis glodinimas
Dvigubas (Holto tiesinis)
b0 glodinimo koeficiento nustatymo bdai:
b0 prilyginti 0 (tinka, kai eilut yra ilga)
MKM apskaiiuoti pirm penki laiko eiluts
nari trendo lygt Yt =a+bt ir b0 =b
Eksponentinis glodinimas
Trigubas (Holto Winterio) glodinimas
Eksponentinis glodinimas
Trigubas (Holto Winterio) glodinimas
St
Yt
(1 )( S t 1 bt 1 )
ct L
ir ir glodinimo koeficientai
bt ( St St 1 ) (1 )bt 1
Yt
ct
(1 )ct L
St
Ft m ( St bt m)ct m L
Eksponentinis glodinimas
trigubas (Holto Winterio sezoninis)
b0 ir c 1-L glodinimo koeficiento nustatymo
bdai:
0 prilyginti 0, o sezonikumo indeksus c1-L =1
MKM apskaiiuoti pirm penki laiko eiluts
nari trendo lygt Yt =a+bt ir 0 =b
Eksponentinis glodinimas DU
2,000
1,800
1,600
1,400
1,200
1,000
800
600
00
01
02
03
04
05
06
07
DU_PRISM_DVIGUB
DU_PRISM_PAPRAS
08
09
10
11
12
DU_PRIV
DU_PRISM_TRGUB
13
14
Eksponentinis glodinimas DU
Paprastas EG
Date: 09/10/13 Time: 13:37
Sample: 2000Q1 2013Q2
Included observations: 54
Method: Single Exponential
Original Series: DU_PRIV
Forecast Series: DU_PRISM_PAPRAS
Prognoz
1698.986
1698.986
1698.986
1698.986
1698.986
1698.986
Dvigubas
EG
Date:
09/10/13 Time:
13:43
Sample: 2000Q1 2013Q2
Included observations: 54
Method: Holt-Winters No Seasonal
Original Series: DU_PRIV
Forecast Series: DU_PRISM_DVIGUB
Parameters: Alpha
Sum of Squared Residuals
Root Mean Squared Error
0.9990
121369.7
47.40873
1698.986
Mean
Trigubas EG
Prognoz
1730.285110...
1748.262528...
1740.730331...
1769.246211...
1800.531321...
1818.508740...
Parameters:
Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:
Mean
Trend
Seasonals... 2012Q3
2012Q4
2013Q1
2013Q2
1.0000
0.5200
0.0000
52964.31
31.31805
1703.227
17.56155
9.496394
9.912260
-15.18149
-4.227163
Parameters:
Prognoz
1734.500383...
1752.250574...
1770.000766...
1787.750957...
1805.501149...
Alpha
Beta
Sum of Squared Residuals
Root Mean Squared Error
1.0000
0.4100
70805.95
36.21079
1699.000
17.75019
Mean
Trend
Eksponentinis glodinimas U
720,000
680,000
640,000
600,000
560,000
520,000
480,000
440,000
400,000
00
01
02
03
04
05
06
07
UZ_PRIV
UZ_PRISM_PAPRAS
08
09
10
11
12
UZ_PRISM_TRIGUB
UZ_PRISM_DVIGUB
13
14
Eksponentinis glodinimas U
Paprastas EG
Date: 09/10/13 Time: 14:00
Sample: 2000Q1 2013Q2
Included observations: 54
Method: Single Exponential
Original Series: UZ_PRIV
Forecast Series: UZ_PRISM_PAPRAS
Prognoz
625244.0286...
625244.0286...
625244.0286...
625244.0286...
625244.0286...
625244.0286...
Parameters:
Prognoz
2013Q3
635399.6
2013Q4
645534.1
2014Q1
655668.7
2014Q2
665803.3
2014Q3
675937.8
2014Q4
686072.4
Parameters: Alpha
Sum of Squared Residuals
Root Mean Squared Error
0.9990
2.45E+10
21278.62
Alpha
Beta
Sum of Squared Residuals
Root Mean Squared Error
1.0000
0.4400
1.33E+10
15669.90
625244.0
625265.0
10134.56
Mean
Prognoz
Tribubas EG
636781.6
631210.5
644292.5
662067.8
673584.4
668013.3
Parameters:
Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error
1.0000
0.7600
0.0000
6.05E+09
10588.40
620586.4
9200.707
6994.545
-7777.249
-3895.943
4678.647
Mean
Trend
Seasonals... 2012Q3
2012Q4
2013Q1
2013Q2
Mean
Trend
Eksponentinis ilyginimas
Apibendrinimas
Kada kok metod taikyti
Nra sezonikumo
Adityvus
sezonikumas
Multiplikatyvus
sezonikumas
Nra trendo
Paprastas EG
HW aditive
HWmultiplikative
Tiesinis trendas
Dvigubas
ilyginimas
HW aditive
HWmultiplikative
Netiesinis trendas
HW no seasons
HW aditive
HWmultiplikative
Sezonikumas
Trendas
Eksponentinis ilyginimas
Apibendrinimas
Kada kok metod taikyti
Nra sezonikumo
Sezonikumas
Trendas
Nra trendo
Tiesinis
(Adityvus)
trendas
Multiplikatyvus
trendas
Adityvus
sezonikumas
Multiplikatyvus
sezonikumas
Hodrick-Prescott filtras
Pagrindin idja:
laiko eilut iskaidoma trendo ir ciklo
komponentes
Laiko seka
Trendas
Ciklas
Hodrick-Prescot filtras
Filtro nustatymo procedra
Nustatomas ilgalaikis trendas
Randama ciklo kreiv , atimant trendo
reikmes i laiko eiluts Y duomen,
Hodrick-Prescott filtras
Trendo nustatymo metodas
Minimizuojami trendo
Hodrick-Prescott filtras
- filtro suglodinimo (ilyginimo
parametras)
kuo didesnis tuo labiau suglodinama trendo
kreiv.
kai
Hodrick-Prescot silomos reikms
100 -
metiniai duomenys
1600
ketvirtiniai duomenys
14400
mnesiniai duomenys
Hodrick-Prescott filtras
Trendo nustatymo formul
=
I vienetin TxT matavim matrica
K tai staiakamp (T-2)xT matavim matrica,
kurios elementai [yra lygs:
1 , i=j arba i=j+2
-2 , kai i=j+1
0 kitais atvejais
Hodrick-Prescott filtras
1 -2 1 0 0 0 0 0 0
0 1 -2 1 0 0 0 0 0
K=
0 0 0 0 0
1 -2 1
1 -2 1 0 0
0 1 -2 1 0
0 0 1 -2 1
I+KK=
1+
-2
0
0
-2
1+5
-4
0
0
-4
0
1+6 -4
-4
1+5 -2
-2
1+
1+
-2
=
0
0
-2
0
0
1+5 -4
0
-4 1+6 -4
-4 1+5 -2
0
-2 1+
=100
101
-200
= 100
0
0
-200
100
501 -400
-400 601
100 -400
0
100
=100
0
0 2
100 0
-400 100
501 -200
-200 101
4
5
3
0,603559
0,398019
0,196444
-0,00118
-0,19684
0,398019
0,30169
0,20138
0,100093
-0,00118
0,196444
0,20138
0,204351
0,20138
0,196444
-0,00118
0,100093
0,20138
0,30169
0,398019
-0,19684
-0,00118
0,196444
0,398019
0,603559
2
4
4
5
3
2,99
0,69
0,39
3,31
TRENDAS
3,61
3,91
4,19
CIKLAS
1,09
-1,19
Hodrick-Prescott filtras
valgos
Hodrick Prescott filtras , nepriklauso nuo laiko
eiluts reikmi, o priklauso nuo stebjim
skaiiaus T ir
Hodrick-Prescott filtras
Privalumai
Kritika
300
1,000
200
800
100
600
0
-100
-200
00
01
02
03
04
05
06
DU_PRIV
07
08
Trend
09
10
11
Cycle
12
13
14
80,000
40,000
400,000
0
300,000
-40,000
-80,000
-120,000
00
01
02
03
04
05
06
UZ_PRIV
07
08
Trend
09
10
11
Cycle
12
13
14
MSE
p
2
(
Y
Y
)
t t
T k
(Y Y )
p
RMSE
T k
p
Y
t Yt
T k
Yt Yt
1
MAPE
100
T
Yt
p
l=