1 / 17

Prognozowanie na podstawie szeregów czasowych

Prognozowanie na podstawie szeregów czasowych. wybrane metody. Składowe szeregu czasowego. stały poziom. skł. systematyczne . cykl. sezonowość. składnik losowy. skł. niesystematyczna . trend.

tyrone
Download Presentation

Prognozowanie na podstawie szeregów czasowych

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. Prognozowanie na podstawie szeregów czasowych wybrane metody

  2. Składowe szeregu czasowego • stały poziom skł. systematyczne • cykl • sezonowość • składnik losowy skł. niesystematyczna trend

  3. Trend:istotność współczynnika korelacji r Pearsona lub R Spearmanasprawdzian testu (n-2 st. sw.): Identyfikacja składowych szeregu

  4. Szereg ze stałym poziomem Metody prognozowania: metoda naiwna średnia ruchoma (krocząca) prosta średnia ruchoma ważona wygładzanie wykładnicze model autoregresji Postawa: pasywna Horyzont: ~1 okres Reguła: podstawowa

  5. Średnia ruchoma prosta Prognoza naiwna

  6. Średnia ruchoma ważona liniowo w1,w2,...,wk>0– waga w okresie i, w1<w2<...<wk oraz w1+w2+...+ wk=1

  7. Wygładzanie wykładnicze - parametr wygładzania

  8. Model autoregresji - oceny parametrów wyznaczone MNK

  9. Metody oceny dopuszczalnościprognoz

  10. Błądex ante prognozy Dla modelu liniowego ze znanymi wartościami zmiennych objaśniających dla okresu prognozy: Dla modelu trendu liniowego:

  11. Szereg z trendem Metody prognozowania: metoda naiwna (~1) model trendu (zależnie od błędu ex ante) model Holta (~1) model autoregresji (~1) Postawa: pasywna (z wyjątkiem r.p. z poprawką) Horyzont podany w nawiasach Reguła: podstawowa lub podstawowa z poprawką

  12. Metoda naiwna

  13. Model trendu liniowego

  14. Model Holta jest wartością wygładzoną szeregu (bez elementu trendu), jest to wygładzona wartość przyrostu wynikającego z trendu szeregu

  15. Model autoregresji - oceny parametrów wyznaczone MNK

  16. Szereg z sezonowością (bez trendu) Metody prognozowania: metoda wskaźników model autoregresji analiza harmoniczna Postawa: pasywna (z wyjątkiem r.p. z poprawką) Horyzont: do kilku cykli Reguła: podstawowa lub podstawowa z poprawką

  17. Szereg z trendem i sezonowością Metody prognozowania: metoda wskaźników dla wygładzonego szeregu model regresji ze zmiennymi czasową i sezonowymi model Wintersa model autoregresji Postawa: pasywna (z wyjątkiem r.p. z poprawką) Horyzont: do kilku cykli Reguła: podstawowa lub podstawowa z poprawką

More Related