- •Федеральное агентство по образованию Российской Федерации
- •Глава 1. Анализ временных рядов
- •1.1 Идентификация модели временных рядов
- •1.1.1 Систематическая составляющая и случайный шум
- •1.1.2 Два общих типа компонент временных рядов
- •1.1.3 Анализ тренда
- •1.1.4 Анализ сезонности
- •1.2 Arima-модели
- •1.2.1 Два основных процесса
- •1.2.2 Модель arima
- •1.2.3 Идентификация
- •1.2.4 Оценивание параметров
- •1.2.5 Оценивание модели
- •1.3 Экспоненциальное сглаживание
- •1.3.1 Простое экспоненциальное сглаживание
- •1.3.2 Выбор лучшего значения параметра a (альфа)
- •1.3.3 Индексы качества подгонки
- •1.3.4 Сезонная и несезонная модели с трендом или без тренда
- •1.4 Сезонная декомпозиция
- •1.5 Анализ распределенных лагов
- •1.5.1 Общая цель
- •1.5.2 Общая модель
- •1.5.3 Распределенный лаг Алмона
- •1.6 Одномерный анализ Фурье
- •1.7 Подготовка данных к анализу
- •Глава 2. Прогнозирование объемов покупки и продажи евро
- •2.1 Прогнозирование объема покупки евро
- •2.1.1 Конечно-разностное дифференцирование
- •2.1.2 Двухпараметрическая модель Хольта
- •2.1.3 Аддитивная модель сезонных явлений с линейным ростом (модель Тейла, Вейджа)
- •2.1.4 Мультипликативная модель сезонных явлений с линейным ростом (модель Хольта-Уинтерса)
- •2.1.5 Arima-модели
- •2.1.6 Итоги прогнозирования
- •2.2 Прогнозирование объема продаж евро
- •2.2.1 Конечно-разностное дифференцирование
- •2.2.2 Двухпараметрическая модель Хольта
- •2.2.3 Аддитивная модель сезонных явлений с линейным ростом (модель Тейла, Вейджа)
- •2.2.4 Мультипликативная модель сезонных явлений с линейным ростом (модель Хольта-Уинтерса)
- •2.2.5 Arima-модели
- •2.2.6 Итоги прогнозирования
- •2.3 Итоги прогнозирования и выводы
- •Заключение
1.3.3 Индексы качества подгонки
Самый прямой способ оценки прогноза, полученного на основе определенного значения a - построить график наблюдаемых значений и прогнозов на один шаг вперед. Этот график включает в себя также остатки (отложенные на правой оси Y). Из графика ясно видно, на каких участках прогноз лучше или хуже.
Такая визуальная проверка точности прогноза часто дает наилучшие результаты. Имеются также другие меры ошибки, которые можно использовать для определения оптимального параметра a (см. Makridakis, Wheelwright, and McGee, 1983):
Средняя ошибка. Средняя ошибка (СО) вычисляется простым усреднением ошибок на каждом шаге. Очевидным недостатком этой меры является то, что положительные и отрицательные ошибки аннулируют друг друга, поэтому она не является хорошим индикатором качества прогноза.
Средняя абсолютная ошибка. Средняя абсолютная ошибка (САО) вычисляется как среднее абсолютных ошибок. Если она равна 0 (нулю), то имеем совершенную подгонку (прогноз). В сравнении со средней квадратической ошибкой, эта мера "не придает слишком большого значения" выбросам.
Сумма квадратов ошибок (SSE), среднеквадратическая ошибка. Эти величины вычисляются как сумма (или среднее) квадратов ошибок. Это наиболее часто используемые индексы качества подгонки.
Относительная ошибка (ОО). Во всех предыдущих мерах использовались действительные значения ошибок. Представляется естественным выразить индексы качества подгонки в терминах относительных ошибок. Например, при прогнозе месячных продаж, которые могут сильно флуктуировать (например, по сезонам) из месяца в месяц, вы можете быть вполне удовлетворены прогнозом, если он имеет точность 10%. Иными словами, при прогнозировании абсолютная ошибка может быть не так интересна как относительная. Чтобы учесть относительную ошибку, было предложено несколько различных индексов (см. Makridakis, Wheelwright, and McGee, 1983). В первом относительная ошибка вычисляется как:
ООt = 100*(Xt - Ft )/Xt
где Xt - наблюдаемое значение в момент времени t, и Ft - прогноз (сглаженное значение).
Средняя относительная ошибка (СОО). Это значение вычисляется как среднее относительных ошибок.
Средняя абсолютная относительная ошибка (САОО). Как и в случае с обычной средней ошибкой отрицательные и положительные относительные ошибки будут подавлять друг друга. Поэтому для оценки качества подгонки в целом (для всего ряда) лучше использовать среднюю абсолютную относительную ошибку. Часто эта мера более выразительная, чем среднеквадратическая ошибка.
Автоматический поиск лучшего параметра. Для минимизации средней квадратической ошибки, средней абсолютной ошибки или средней абсолютной относительной ошибки используется квази-ньютоновская процедура (та же, что и в ARIMA). В большинстве случаев эта процедура более эффективна, чем обычный перебор на сетке (особенно, если параметров сглаживания несколько), и оптимальное значение a можно быстро найти.
Первое сглаженное значение S0. Если вы взгляните снова на формулу простого экспоненциального сглаживания, то увидите, что следует иметь значение S0 для вычисления первого сглаженного значения (прогноза). В зависимости от выбора параметра a (в частности, если a близко к 0), начальное значение сглаженного процесса может оказать существенное воздействие на прогноз для многих последующих наблюдений. Как и в других рекомендациях по применению экспоненциального сглаживания, рекомендуется брать начальное значение, дающее наилучший прогноз. С другой стороны, влияние выбора уменьшается с длиной ряда и становится некритичным при большом числе наблюдений.