ЭКСПОНЕНЦИАЛЬНОЕ СГЛАЖИВАНИЕ И ПРОГНОЗИРОВАНИЕ
ЦЕЛЬ И ЗАДАЧИ ИССЛЕДОВАНИЯ
Изучение и приобретение навыков практического применения метода экспоненциального сглаживания временных рядов и прогнозирование на его основе.
ОСНОВЫ TЕОРИИ
Методы экспоненциального сглаживания позволяют сгладить наблюдаемый ряд, выделить из него шум и прогнозировать будущие значения. Различные виды трендов и сезонность могут быть учтены в модели. Доступны модели с аддитивным и мультипликативным шумом.
В стартовой панели модуля Анализ временных рядов и прогнозирование инициируйте далее кнопку Exponential Smoothing & Forecasting -Экспоненциальное сглаживание и прогнозирование.
Суть метода в том, что исходный временной ряд сглаживается с некоторыми экспоненциальными весами, образуя новый временной ряд с меньшим уровнем шума, поведение которого можно прогнозировать. Простое экспоненциальное сглаживание задается формулой:
S(t) = Alpha*x(t) + (1-Alpha) *S(t-1),
где Alpha - некоторый фиксированный параметр сглаживания, (0< Alpha <1).
|
|
Начальное значение S(0) задается либо в поле User-def. initial value, либо оценивается. Значение параметра Alpha задается в поле Alpha.
В общей модели можно учесть сезонный фактор и тренд - линейный, экспоненциальный, демпфированный (общий вид этих трендов показан на панели).
Верхняя информационная часть панели стандартная. Основные элементы находятся в центральной части панели. Здесь же находится группа опций Model -Модель, позволяющая, исходя из особенностей ряда, определить модель экспоненциального сглаживания. Для определения модели нужно задать сезонную компоненту, тренд и параметры сглаживания. Это можно сделать в следующих опциях:
Сезонная компонента | |
None | Нет; |
Additive | Аддитивная; |
Multiplicative | Мультипликативная; |
Тренд | |
No trend | Нет тренда; |
Linear trend | Линейный тренд; |
Exponential | Экспоненциальный; |
Damped trend | Демпфированный (затухающий) тренд. |
В полях Alpha, Delta, Gamma, Phi задаются параметры экспоненциального сглаживания. Параметр Alpha необходим для всех моделей экспоненциального сглаживания. Остальные параметры нужны для специальных моделей. Параметр Delta - сезонный сглаживающий параметр, необходим лишь в сезонных моделях.
На аддитивных моделях прогноз строится по формуле:
Forecast(t) = S(t)+I(t-lag),
где I - сглаженный сезонный фактор:
I(t) = I(t-lag)+Delta*(1-Alpha)*e(t),
где e(t) — разность между наблюдаемым рядом и прогнозом в момент времени t, lag - сезонный период.
В мультипликативных моделях используется формула:
Forecast(t)=S(t)*I(t-lag), где I - сглаженный сезонный фактор:
I(t) = I(t-lag)+Delta*(1-Alpha)*e(t)/S(t).
Параметры Gamma и Phi являются параметрами сглаживания тренда. Параметр Gamma используется в моделях с линейным и экспоненциальным трендом и в моделях с демпфированным трендом в рядах без сезонной составляющей. Параметр Phi используется в моделях с демпфированным трендом.
|
|
Две кнопки в низу панели служат для поиска значений параметров:
Grid Search for best parameters -Поиск на сетке лучших параметров;
Automatic search for best parameters -Автоматический поиск лучших параметров.
Щелкните вначале на кнопку Grid Search for best parameters - Поиск на сетке лучших параметров. На экране появится следующее окно Parameter Grid Search - Поиск параметров на сетке. В окне задаются параметры сетки, на которой происходит поиск, и начальные значения неизвестных параметров. Система переберет все значения параметров на заданной сетке и определит лучшие значения параметров. На экране появится таблица, в верхней строке которой даны лучшие значения параметров.
Рассмотрим оставшиеся опции.
User-def. initial value | Определяемое пользователем начальное значение. Можно задать начальное значение сглаженного ряда. |
Initial trend | Начальный тренд. Можно задать начальное значение тренда. Если опция не используется, то начальное значение тренда оценивается. |
Get seasonal factors from variables | Оценить сезонные факторы из данных. |
Make summary plot for each smooth | Сделать итоговый график для каждого сглаживания. |
Add pred/errors to work area | Добавить сглаженный ряд/остатки в рабочую область. |
Forecast __ cases | Прогноз __ случаев указывается, на сколько случаев вперед будет прогнозироваться исходный ряд. |
Следует иметь в виду, что экспоненциальное сглаживание - наиболее простой способ построения прогнозов. Часто он дает быстрые эффектные результаты. Однако этот метод не позволяет строить доверительные интервалы и, следовательно, рассчитать риски при использовании прогнозов.
ПРОГРАММА РАБОТЫ
3.1. Запустить систему Statistica, модуль «Временные ряды и прогнозирование».
3.2. Открыть файл данных, созданный в ЛР №1.
3.3. С использованием процедуры экспоненциального сглаживания оценить будущие значения по описанной в теоретической части схеме.
3.4. Сделать выводы.
КОНТРОЛЬНЫЕ ВОПРОСЫ
4.1. В чем идея экспоненциального сглаживания?
4.2. Как производится экспоненциальное сглаживание?
4.3. Как осуществляется прогнозирование с использованием экспоненциального сглаживания?
4.4. Что представляет собой модель Тейла и Вейджа?
4.5. Что представляет собой модель Уинтерса?
4.6. Что представляет собой модель Хольта?
Лабораторная работа №5.
ПРОГНОЗИРОВАНИЕ ПО МОДЕЛИ «АРИСС»
ЦЕЛЬ И ЗАДАЧИ ИССЛЕДОВАНИЯ
Изучение и приобретение навыков идентификации, оценивание параметров моделей АРИСС (ARIMA), а также исследование их адекватности и прогнозирование на их основе.
ОСНОВЫ ТЕОРИИ
Это важный класс параметрических моделей, описывающий нестационарные ВР, имеет большое практическое значение. В STATISTICA ARIMA реализована с использованием методологии Бокса и Дженкинса. Большинство ВР, например в экономике, описываются моделью ARIMA. Именно прогнозированию в рамках этой моделии будет посвящена данная работа.
Откройте диалог ARIMA, нажав кнопку ARIMA & autocorrelation functions — АРПСС и автокорреляционные функции, в стартовой панели модуля Анализ временных рядов.
На экране появится стартовая панель Single Series ARIMA -Единичная АРПСС (модель ARIMA для одного временного ряда). Верхняя часть панели содержит информационное поле, в котором записываются имена анализируемых и преобразованных переменных (рядов), а также две кнопки для сохранения и удаления переменных: кнопку Exit -Выход для выхода из диалога; кнопку OK (Begin parameter estimation) — Да (Начать оценку параметров). Последняя из них запускает процедуру оценивания параметров модели АРПСС.
Верхняя часть панели - информационная. Здесь записывается имя ряда и его преобразования. В правой части стартовой панелиARIMA расположена гpynna функциональных кнопок:
|
|
Review and plot variables | Просмотреть переменные и построить график; |
Display/plot subset only | Показать на экране/Построить график только подмножества; |
Review highlighted variable | Просмотреть высвеченные переменные; |
Review multiple variables | Просмотреть несколько переменных; |
Plot | График; |
Plot two var list with different scales | Графики переменных из двух списков в различных шкалах. |
Обратите внимание также на следующие кнопки в правой части стартовой панелиARIMA: Autocorrelations -Автокорреляции; Partial autocorrelations -Частные автокорреляции. Автокорреляции и частные автокорреляции являются основными понятиями анализа временных рядов. Инициировав эти кнопки, вы можете посмотреть оценки автокорреляций и частных автокорреляций ряда численно и графически. Автокорреляции позволяют, в частности, определить, насколько рассматриваемый ряд близок к стационарному.
В левой части стартовой панели имеется специальная группа опций Arima model parameters —Параметры АРПСС, в которых задается количество различных параметров модели. В группе имеются следующие опции:
р - Autoregressive | параметр авторегрессии (регулярный); |
Р - Seasonal | сезонный параметр авторегрессии; |
q - Mouving average | параметр скользящего среднего (регулярный); |
Q - Seasonal | сезонный параметр скользящего среднего. |
В строке возле каждого параметра задается число параметров данного типа. По крайней мере один из параметров должен быть определен. Задание параметров означает идентификацию, т.е. определение модели. После того, как определено количество параметров в модели, можно перейти к их оцениванию. Метод оценивания параметров выбирается в левой нижней части окна с названием: Estimation of Maximum Likelihood -Оценивание методом максимального правдоподобия. Система предлагает две вычислительных процедуры, реализующие метод максимального правдоподобия: Approximate -Приближенная; Exact -Точная. Расположенная ниже кнопка Options (start vals, #iterations, соnvergence) -Опции (начальные значения, число итераций, сходимость) открывает диалоговое окно, в котором производится "настройка" вычислительной процедуры: задаются начальные приближения для неизвестных параметров, указывается максимальное число итераций и устанавливается параметр для критерия сходимости процедуры оценивания. Все эти значения могут быть заданы пользователем, но могут быть и предложены системой, если, например, пользователь не знает как произвести их установку.
|
|
Временные ряды преобразуются в стационарные прежде, чем производится идентификация модели и оценка параметров (cм. ЛР №2).
Запуск процедуры оценивания производится с помощью кнопки OK (Begin parameter estimation) -Да (Начать оценку параметров).В появившемся окне Single Series ARIMA Results -Результаты АРПСС можно просмотреть результаты. В верхней части окна дана информация о модели и оценках ее параметров. Посмотрите численные оценки, нажав кнопку Parameter estimates -Оценки параметров в соответствующей электронной таблице. В первом столбце таблицы приведены оценки параметров модели, во втором - асимптотическая стандартная ошибка оценок, в третьем - значения t-критерия, в четвертом - уровни значимости, в пятом и шестом- соответственно верхние и нижние границы 95%-ных доверительных интервалов для соответствующих неизвестных параметров модели.
STATISTICA позволяет проанализировать остатки между наблюдаемыми и предсказанными значениями, оценив их близость к нормальному распределению и неавтокоррелированность.
В левой части окна имеется набор опций Forecasting -Прогнозирование.
Number of cases | Число случаев задается число случаев, на которые хотим спрогнозировать ряд. |
Confidence level | Уровень доверия. |
Start at case | В строке указывается номер случая, с которого начинает строиться прогноз. |
Append forecasts to original series on Exit | Добавьте прогнозируемые величины к концу наблюдаемого ряда. |
Кнопка Forecast cases | Прогнозируемые случаи позволяет просмотреть прогноз в электронной таблице на несколько случаев (в данном примере месяцев) вперед. Число случаев указывается в поле Number of cases. |
Кнопка Plot series& forecasts | График ряда и прогнозы строится график исходного ряда и прогнозируемые значения, которые добавляются к концу исходного ряда, если выбрана опция Append forecast to original series on Exit. |
ПРОГРАММА РАБОТЫ
3.1. Запустить систему Statistica, модуль «Временные ряды и прогнозирование».
3.2. Открыть файл данных, созданный в ЛР №1.
3.3. Построить АРПСС-модель и оценить ее качество по описанной в теоретической части схеме.
3.4. Сделать выводы.
КОНТРОЛЬНЫЕ ВОПРОСЫ
4.1. Что такое авторегрессия?
4.2. Что такое процесс скользящего среднего?
4.3. Что такое модель АРПСС?
4.4. Что означают параметры модели АРПСС?
4.5. Как оценить качество построенной модели АРПСС?
Приложение
1.Объем реализации услуг химчистки
Месяц / год | 2005 | 2006 | 2007 |
Январь | 3340 | 3205,2 | 3156,4 |
Февраль | 3966,6 | 4244,8 | 4039 |
Март | 5969,2 | 6237,4 | 6257,6 |
Апрель | 5744,8 | 6003 | 6006,2 |
Май | 4907,4 | 5283,6 | 5276,8 |
Июнь | 5454 | 5525,2 | 5541,4 |
Июль | 5630,6 | 5295,8 | 5599 |
Август | 6644,2 | 6502,4 | 7090,6 |
Сентябрь | 6811,8 | 6834 | 6947,2 |
Октябрь | 5864,4 | 5809,6 | 5916,8 |
Ноябрь | 4099 | 4104,2 | 4244,4 |
Декабрь | 4263,6 | 3788,8 | 3501 |
2. Объем экспорта оборудования в Китай
Месяц\ год | 2004 | 2005 | 2006 |
Январь | 3050 | 25400 | 2200 |
Февраль | 3355 | 28398 | 2350 |
Март | 3480 | 37198 | 2350 |
Апрель | 3595 | 65398 | 3712 |
Май | 4848 | 103261 | 15222 |
Июнь | 10058 | 111661 | 44322 |
Июль | 15480 | 120200 | 52612 |
Август | 44520 | 135450 | 52556 |
Сентябрь | 52800 | 154147 | 52856 |
Октябрь | 65680 | 157950 | 85086 |
Ноябрь | 100555 | 160147 | 133766 |
Декабрь | 180655 | 176810 | 165966 |
3. Объемы продаж онкологических препаратов
месяц/ год | 2002 | 2003 | 2004 | 2005 | 2006 |
Январь | 300 | 825 | 1375 | 1580 | 2160 |
Февраль | 525 | 1000 | 1450 | 2050 | 2300 |
Март | 650 | 1000 | 1550 | 2100 | 2250 |
Апрель | 700 | 1125 | 1900 | 2100 | 2250 |
Май | 200 | 975 | 1300 | 1900 | 2300 |
Июнь | 325 | 1000 | 1550 | 1800 | 2100 |
Июль | 475 | 1000 | 1500 | 2000 | 2000 |
Август | 600 | 900 | 1650 | 2200 | 2050 |
Сентябрь | 650 | 1000 | 1790 | 2200 | 1950 |
Октябрь | 800 | 1200 | 2000 | 2250 | 2200 |
Ноябрь | 800 | 1200 | 1990 | 2500 | 2400 |
Декабрь | 890 | 1500 | 1800 | 2300 | 2550 |
4.Общий объем реализации фасовочной продукции
месяц /год | 2004 | 2005 | 2006 | 2007 |
Январь | 13083 | 10816 | 37095 | 23173 |
Февраль | 16257 | 33035 | 41869 | 18235 |
Март | 15910 | 40538 | 47778 | 28251 |
Апрель | 21898 | 35377 | 46318 | 50668 |
Май | 17608 | 20821 | 36176 | 42576 |
Июнь | 29960 | 23786 | 38015 | 54236 |
Июль | 27152 | 37852 | 43184 | 60729 |
Август | 12771 | 34998 | 28885 | 50946 |
Сентябрь | 19422 | 78522 | 36911 | 54784 |
Октябрь | 17247 | 71632 | 35936 | 60868 |
Ноябрь | 21606 | 47549 | 40653 | 55143 |
Декабрь | 35149 | 47461 | 34373 | 48273 |
5. Объем реализации упаковок предприятиями
месяц/ год | 2004 | 2005 | 2006 | 2007 |
Январь | 1253 | 2290 | 4940 | 5372 |
Февраль | 1381 | 2947 | 3688 | 4619 |
Март | 1126 | 2210 | 3835 | 7510 |
Апрель | 1618 | 5451 | 6018 | 7432 |
Май | 532 | 1813 | 1166 | 6721 |
Июнь | 2661 | 2608 | 3930 | 4191 |
Июль | 1010 | 2917 | 3319 | 6278 |
Август | 523 | 1502 | 3140 | 6231 |
Сентябрь | 925 | 5651 | 7321 | 8104 |
Октябрь | 958 | 5754 | 7301 | 8659 |
Ноябрь | 1160 | 6431 | 6990 | 9447 |
Декабрь | 803 | 1946 | 3355 | 6609 |
6.Объем реализации мешков предприятиями
месяц/год | 2003 | 2004 | 2005 | 2006 | 2007 |
Январь | 3486 | 3686 | 2869 | 4000 | 3002 |
Февраль | 6001 | 6041 | 6826 | 6274 | 8278 |
Март | 8231 | 8331 | 8063 | 8418 | 8098 |
Апрель | 3651 | 3651 | 4859 | 4252 | 4184 |
Май | 3190 | 4019 | 4656 | 4167 | 4656 |
Июнь | 1543 | 1649 | 1714 | 1701 | 1437 |
Июль | 7862 | 8267 | 8456 | 8073 | 8902 |
Август | 6387 | 6387 | 7320 | 7552 | 7559 |
Сентябрь | 5607 | 6570 | 6432 | 6539 | 6891 |
Октябрь | 5300 | 5117 | 5311 | 6365 | 6955 |
Ноябрь | 3299 | 3139 | 3760 | 4622 | 4202 |
Декабрь | 1235 | 1234 | 3235 | 2722 | 3490 |
Разработали: Арефьева Е.А., к.т.н., доц..
Рассмотрено на заседании
кафедры АИУС
Протокол №от .
Зав. кафедрой
В.А.Фатуев