Содержание
- 2. Рассматривались данные по месячным объемам продаж бензина на автозаправочных станциях в США Временной ряд взят на
- 3. Временной ряд по продажам рассматривался на интервале январь 1967 года- январь 2001 года Данные в STATISTICA
- 4. Визуализация данных
- 5. График временного ряда
- 6. Целесообразно рассматривать динамику показателя на двух различных временных интервалах: январь 1967 - декабрь 1978 январь 1979
- 7. Интерактивно выбираем рабочую область для анализа - временной интервал, на котором будет проходить дальнейшее исследование Задаем
- 8. Динамика показателя на разных временных интервалах Динамика различается
- 9. Применяем методы модуля “Временные ряды и прогнозирование”
- 10. Обозначим этапы исследования: провести анализ динамики объемов продаж на каждом временном интервале построить модель, адекватно отражающую
- 11. Исключим из рассмотрения последние 12 месяцев в каждом интервале. На этих данных будем проверять точность прогноза,
- 12. Исследование временного ряда на первом интервале: январь 1967 - декабрь 1977 Шаг 1: Проверка ряда на
- 13. Преобразуем исходный ряд к следующему виду: Dy(t)=y(t)-y(t-1)
- 14. Строим график автокорреляционной функции преобразованного ряда: Значимые коэффициенты корреляции наблюдаются между значениями показателя, отстоящими на 6
- 15. Исследуемый временной ряд обнаруживает свойства периодичности. Нужно выделить сезонную составляющую и скорректированный ряд, который несет информацию
- 16. Шаг 2: Определение периода сезонной составляющей. Применяем метод спектрального анализа Фурье На графике периодограммы изображены вклады
- 17. Периодограмма содержит ярко выраженный пик на значении периода, равном 12. В исходном временном ряде имеется годовой
- 18. Применяем метод сезонной декомпозиции ряда Устанавливаем сезонный лаг равным 12 Предполагаем, что модель мультипликативна, поскольку размахи
- 19. Результаты сезонной декомпозиции: Сезонная составляющая. Наблюдается годовая периодичность. Скорректированный ряд. Ярко выраженная возрастающая тенденция в динамике
- 20. Шаг 3: На каждом временном интервале будем описывать динамику объемов продаж моделями Авторегрессии и скользящего среднего
- 21. Построение модели АРПСС: Значение сезонного лага равно 12. Перед оценкой приводим ряд к стационарному виду с
- 22. Оценивание коэффициентов модели: Итеративная процедура оценивания. Коэффициенты модели статистически значимы на доверительном уровне 5%.
- 23. Шаг 4: Исследование адекватности модели. Анализируем остатки: Распределение остатков достаточно хорошо описывается нормальным распределением, следовательно, модель
- 24. Шаг 5: Построение прогноза на основе полученной модели. Строим прогноз на 12 месяцев. Численные оценки параметров
- 25. График исходного ряда и прогноза Прогноз на 12 месяцев Границы доверительных интервалов
- 26. Шаг 6: Проверка точности прогноза
- 27. Рассмотрим переход между двумя временными интервалами Разбиение выборки на два интервала было корректным, поскольку характер динамики
- 28. Результаты для временного интервала январь 1979 - январь 2001 Спецификация модели изменилась Распределение остатков соответствует нормальному
- 29. Шаг 7: Строим прогноз согласно полученной модели:
- 30. Можно ли сделать это проще с помощью других методов в STATISTICA ?
- 31. Применим методы анализа прерванных временных рядов Указываем тип интервенции и номер наблюдения, с которого характер зависимости
- 32. Построение прогноза двумя способами и сравнение результатов: В пределах заданных доверительных интервалов точность прогнозов одинакова.
- 33. Пользуемся методом экспоненциального сглаживания Выбираем тип модели сглаживания. Параметры сглаживания можно задать вручную. Можно воспользоваться методом
- 34. Сравниваем результаты прогнозов на последний год выборки с наблюдаемыми: Сглаживание отражает общую тенденцию, но менее чувствительно
- 35. Строим прогноз с помощью метода экспоненциального сглаживания: На графике показаны ряды наблюдаемых величин и прогноз на
- 37. Скачать презентацию