1 / 25

Säsongrensning:

Säsongrensning: Serien rensas från säsongkomponenten genom beräkning av centrerade och viktade glidande medelvärden (centered moving averages, CMA) : där L =Antal säsonger i serien ( L =2 för halvårsdata, 4 för kvartalsdata och 12 för månadsdata). Exempel (sales data från tidigare).

quintessa-mccall
Download Presentation

Säsongrensning:

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Säsongrensning: Serien rensas från säsongkomponenten genom beräkning av centrerade och viktade glidande medelvärden (centered moving averages, CMA): där L=Antal säsonger i serien (L=2 för halvårsdata, 4 för kvartalsdata och 12 för månadsdata)

  2. Exempel (sales data från tidigare) tid månad antal CMA 1 1 2 * 2 2 6 * 3 3 5 * 4 4 5 * 5 5 10 * 6 6 8 * 7 7 10 6.21 8 8 11 6.08 9 9 4 5.95 10 10 7 .... 11 11 3 12 12 3 13 1 3 14 2 2 15 3 6

  3. Exempel, forts

  4. Medelvärden av grova säsongskomponenter: Juli: (1.61074+2.14013+1.64571)/3  1.7989 Aug: (1.80822+1.36709+1.64571)/3  1.6070 Sep: (0.67133+0.58896+0.83237)/3  0.6976 Okt: (1.15862+1.01818+0.97110)/3  1.0493 Nov: (0.49655+1.01205+0.82286)/3  0.7772 Dec: (0.50350+0.71006+0.69767)/3  0.6371 Jan: (0.49315+0.28571+0.42353)/3  0.4008 Feb: (0.32432+0.56805+0.42105)/3  0.4378 Mar: (0.98630+1.24138+1.12941)/3  1.1190 Apr: (0.98630+0.68182+0.84706)/3  0.8384 Maj: (1.44000+1.50857)/2  1.4743 Obs! Bara två värden här! Juni: (1.07692+1.10345)/2  1.0902 …och här!

  5. Summan av de beräknade medelvärdena: 1.7989 +1.6070 + 0.6976 + 1.0493 + 0.7772 + 0.6371 + 0.4008 + 0.4378 + 1.1190 + 0.8384 + 1.4743 + 1.0902)  11.9276 Summan skall bli L=12 För att få den till 12 multipliceras samtliga medelvärden med 12/11.9276  1.00607

  6. Slutligt skattade säsongkomponenter: Jan:sn1 = 0.4008 · 1.00607  0.403 Feb:sn2 = 0.4378 · 1.00607  0.440 Mar: sn3 = 1.1190 · 1.00607  1.126 Apr: sn4 = 0.8384 · 1.00607  0.843 Maj: sn5 = 1.4743 · 1.00607  1.483 Juni:sn6 = 1.0902 · 1.00607  1.097 Juli: sn7 = 1.7989 · 1.00607  1.809 Aug:sn8 = 1.6070 · 1.00607  1.617 Sep: sn9 = 0.6976 · 1.00607  0.702 Okt:sn10 = 1.0493 · 1.00607  1.056 Nov: sn11 = 0.7772 · 1.00607  0.782 Dec: sn12 =0.6371 · 1.00607  0.641

  7. Tidsserien säsongrensas genom • vid multiplikativ modell • vid additiv modell där är något av värdena beroende på vilken av säsongerna som t motsvarar.

  8. Exempel, forts

  9. Cyklisk och oregelbunden komponent: • Om cyklisk komponent ej finns med: • Residualerna från regressionsanalysen utgör skattning av termen IRt i den klassiska modellen. • Om cyklisk komponent finns med: • Skatta cyklisk och oregelbunden komponent som en komponent (CLIRt)

  10. Den cykliska komponenten skattas nu genom ett 3-punkters centrerat oviktat glidande medelvärde: • och den oregelbundna komponenten skattas slutligen som

  11. Minitab kan användas för komponentuppdelning med StatTime seriesDecomposition Multiplikativ modell är dock något annorlunda: yt = TRt·SNt+IRt Val av modelltyp Möjlighet att välja komponenter, men dock begränsat

  12. Säsongrensade data

  13. Time Series Decomposition Data Sold Length 47,0000 NMissing 0 Trend Line Equation Yt = 5,77613 + 4,30E-02*t Seasonal Indices Period Index 1 0,425997 2 0,425278 3 1,14238 4 0,856404 5 1,52471 6 1,10138 7 1,65646 8 1,65053 9 0,670985 10 1,02048 11 0,825072 12 0,700325 Dessa blir något annorlunda jämfört med handräkningen tidigare p g a att modellen är annorlunda Accuracy of Model MAPE: 16,8643 MAD: 0,9057 MSD: 1,6388

  14. StatTime SeriesMoving Average… Antal punkter i det glidande medelvärdet

  15. Sparar de glidande medelvärdena, dvs den skattade cykliska komponenten i en ny kolumn, som får namnet AVER1

  16. Analys med additiv modell:

  17. Time Series Decomposition Data Sold Length 47,0000 NMissing 0 Trend Line Equation Yt = 5,77613 + 4,30E-02*t Seasonal Indices Period Index 1 -4,09028 2 -4,13194 3 0,909722 4 -1,09028 5 3,70139 6 0,618056 7 4,70139 8 4,70139 9 -1,96528 10 0,118056 11 -1,29861 12 -2,17361 Accuracy of Model MAPE: 16,4122 MAD: 0,9025 MSD: 1,6902

  18. Multiplikativ Additiv

  19. multiplikativ

  20. Trend Line Equation Yt = 5.77613 + 4.30E-02*t Seasonal Indices Period Index 1 -4.09028 2 -4.13194 3 0.909722 4 -1.09028 5 3.70139 6 0.618056 7 4.70139 8 4.70139 9 -1.96528 10 0.118056 11 -1.29861 12 -2.17361 Trend Line Equation Yt = 5.77613 + 4.30E-02*t Seasonal Indices Period Index 1 0.425997 2 0.425278 3 1.14238 4 0.856404 5 1.52471 6 1.10138 7 1.65646 8 1.65053 9 0.670985 10 1.02048 11 0.825072 12 0.700325 multiplikativ additiv

More Related