ПРИМЕР 8
Служба менеджмента склада отделения фирмы «Девис» использует регрессии временных серии для прогноза различных продаж в последующих четырех кварталах. Оценки продаж для кварталов: $100000; $120000; $140000 и $160000 Сезонные индексы для четырех кварталов определены: 1,30; 90; 70 и 1,15 соответственно.
Рассчитывая сезонный прогноз продаж или с регулируемым трендом, мь должны умножить каждый сезонный индекс на соответствующий трендовых прогноз:
Y сезонный = Индекс х Y трендовый прогноз.
Следовательно, для
квартала 1: Y1 = (1.30)($100 000) =$130 000;
квартала 2: Y2 = (.90)($120 000) = $108 000;
квартала 3: Y з = (.70)($140 000) = $98 000;
квартала 4: 4 = (1.15)($160 000) = $184 000.
Пример 9 обеспечивает третью иллюстрацию сезонности данных
Для другого примера оценки линии тренда и сезонного регулирования мы заимствовали сведения из госпиталя, которые использовали 66-месячные данные о взрослых стационарных больных, и получили следующее уравнение:
Y = 8091+21,5 Х,
где Y — пациенто-дни; X— время, мес.
На базе этой модели госпиталь прогнозирует пациенто-дни для следующего месяца (период 67):
Пациенто-дни = 8091 + 21.5 (67) = 9530 (только используя тренд).
Так как эта модель определяет линию возрастающего тренда в спросе на обслуживание пациентов, она игнорирует сезонность, которая на сегодня известна администрации. Таблица, приведенная ниже, содержит текущие сезонные индексы, базирующиеся на тех же 66 месяцах. Такие сезонные данные, как эти, являются типичными для госпиталей. Заметим, что в январе, марте, июле и августе проявляются особенно высокие в среднем количества пациенто-дней, а февраль, сентябрь, ноябрь и декабрь показывают снижение количества пациенто-дней.
Корректируя временные серии экстраполяцией с учетом сезонности, госпиталь умножает месячный прогноз на соответствующий сезонный индекс. Так, дляпериода 67, которым был январь,
Пациенто-дни = (9530)(1.0436) = 9946 (тренд с учетом сезонности).
Используя этот метод, были спрогнозированы пациенто-дни с января по июнь (периоды с 67 по 72) как 9946, 9236, 9768, 9678, 9554 и 9547. В этом примере лучше прогнозируются пациенто-дни, так же как более точно прогнозируются бюджетные расходы.
6. МЕТОДЫ РЕГРЕССИОННОГО
И КОРРЕЛЯЦИОННОГО АНАЛИЗОВ
Модели причинного прогнозирования обычно содержат ряд переменных, которые имеют отношение к предсказываемой переменной. Как только эти переменные будут найдены, строится статистическая модель, которая используется для прогноза интересующей нас переменной. Этот подход является более мощным, чем методы временных серий, которые используют прошлые значения для прогнозируемой переменной.
Многие факторы могли бы рассматриваться в причинном анализе. Например, продажи товара могут быть связаны с расходами фирмы на рекламу, с назначаемой ценой, с делами конкурентов и стратегиями продвижения товаров или даже с экономическими условиями и безработицей. В этом случае продажи буду! называться зависимой переменной, а другие переменные буду" называться независимыми переменными. Работа менеджеров заключается в установлении наилучшей статистической зависимости между продажами и независимыми переменными. Наиболее общей количественной моделью причинного прогнозирована является модель линейного регрессионного анализа.
Использование регрессионного анализа для прогнозирования. Мы можем использовать такие математические модели, которые применяли как метод наименьших квадратов в трендовом проектировании, преобразовав их к моделям линейной регрессии Зависимая переменная, которую мы хотим спрогнозировать, будет обозначаться у. Но теперь независимая переменная х — это не время.
у = а + bх,
где у —значение зависимой переменной, здесь — объем продаж;
а — отрезок, отсекаемый на оси у,
b — наклон линии регрессии;
х— независимая переменная.