- •Оглавление
- •Постановка задачи
- •Краткий обзор предметной области
- •Анализ динамики исходного показателя
- •Технический анализ и анализ структурных элементов динамического ряда
- •1. Сглаживание временного ряда методом средней и простой скользящей средней. Оценка точности уровня показателя.
- •2. Сглаживание временного ряда с использованием модели Брауна (экспоненциальное сглаживание). Оценка точности прогнозирования уровня показателя.
- •3. Сглаживание временного ряда с использованием модели тренда. Оценка точности прогнозирования уровня показателя.
- •4. Сглаживание временного ряда с использованием авторегрессионной модели. Оценка точности прогнозирования уровня показателя.
- •5. Выявление сезонности
- •6. Выбор модели
- •Обоснование выбора показателя, непосредственно оказывающего влияние на данный, его динамический и структурный анализ
- •1. Выбор показателя
- •2. Динамический и структурный анализ показателя cac consumer goods
- •Проверка наличия причинно-следственной связи, гипотезы о наличии коинтеграции между показателями
- •Построение окончательной модели прогноза и получение точечного и интервального прогноза исходного показателя
- •Приложения
- •Список используемой литературы
5. Выявление сезонности
Анализ графика и периодограммы
По графику нельзя сказать однозначно о периоде сезонности. Как отмечалось ещё при анализе абсолютных приростов периоды сезонности непостоянны и зависят от фаз спада или подъема. Периодограмма (приложение 15) также не дает однозначного ответа о периоде сезонности. Сильные скачки ординаты наблюдаются на периодах: 129; 32,25. На основе этого можно сделать вывод о возможности несущественной сезонной составляющей. Из графиков показателя по годам (приложение 16) видно, что сезонная составляющая отсутствует.
6. Выбор модели
Для определения модели генератора прогноза сравним модели с лучшими прогностическими характеристиками:
-
модель простого, линейного и квадратичного экспоненциального сглаживания Брауна
-
ARIMA(3,3,1).
модель |
параметры |
Характеристики модели |
||||
R^2 |
s^2 |
Kt1 |
Kt2 |
Ut |
||
Простой экспоненциальной средней |
a=0,95 |
0,921530921 |
20,35529531 |
0,048168 |
0,03325 |
0,023518 |
линейной экспоненциальной средней |
a=0,6 |
0,909006918 |
2639,819257 |
0,033543 |
0,023324 |
0,016495 |
квадратичной экспоненциальной средней |
a=0,5 |
0,882301543 |
3441,89106 |
0,020884 |
0,014614 |
0,010334 |
ARIMA |
p=3,d=3,q=1 |
0,902331111 |
2898,747253 |
0,015794 |
0,01108 |
0,007835 |
Таблица 15
Модель ARIMA имеет лучшие прогностические характеристики. Также стоит отметить, что модели экспоненциальной средней проходят не все тесты. Модель линейного и квадратичного экспоненциального сглаживания Брауна не проходят тест на равенство дисперсий и на автокорреляцию. Модель простого экспоненциального сглаживания не проходит тест на равенство дисперсий.
Models
(A) Simple exponential smoothing with alpha = 0,95
(B) Brown's linear exp. smoothing with alpha = 0,6
(C) Brown's quadratic exp. smoothing with alpha = 0,5
(D) ARIMA(3,3,1)
Estimation Period
Model |
RMSE |
RUNS |
RUNM |
AUTO |
MEAN |
VAR |
(A) |
47,3383 |
OK |
OK |
OK |
OK |
* |
(B) |
50,9762 |
OK |
OK |
* |
OK |
* |
(C) |
57,976 |
OK |
OK |
** |
OK |
* |
(D) |
53,84 |
OK |
OK |
OK |
OK |
OK |
Исходя из этого, следует выбрать модель ARIMA. Выбранная модель имеет вид:
Интервальный прогноз на период упреждения:
Значение индекса находится в интервале от 928,71 до 1131,61.