Sprawozdanie 3, Podsumowanie metod prognozowania


Katedra Informatyki i Logistyki 19 XI 2001

mgr P. Filipkowski

Grupa I (13:30, wtorek)

Specjalność: Informatyka gospodarcza

Kierunek i rok: Zarządzanie i marketing IV

Rok akademicki 2001/2002

Sporządził: Dariusz Jurkowski

Ćwiczenie nr 4

Prognozowanie na podstawie szeregów czasowych-

metody podstawowe.

Ocena...............................................................................

Podpis.............................................................................

Przeprowadź analizę graficzną podanych zmiennych endogenicznych.

Wykres pt. „Sprzedaż” przedstawia wartości zaobserwowanych zmiennych w okresie 14 miesięcy. Szereg czasowy składa się z następujących składowych: stałego (przeciętnego) poziomu prognozowanej zmiennej, wahań sezonowych. W szeregu nie występuje tendencja rozwojowa (trend) oraz wahania cykliczne.

Jest to jednowymiarowy szereg czasowy.

Dokonaj oceny poszczególnych metod oraz wnioski i spostrzeżenia.

Podsumowanie metod prognozowania

 

Metoda naiwna

Metoda średniej ruchomej

Metoda wygładzania wykładniczego

 

k=2

k=4

k=6

 



15,24%

12,54%

10,75%

10,18%

10,26%

(s*)2

15,55

12,71

9,29

8,38

8,87

s*

3,94

3,56

6,05

2,90

2,98

s

4,1

3,72

3,21

3,07

2,98

U

1

0,85

0,78

0,88

0,72

Z wyników przedstawionych w powyższej tabeli wynika, iż najlepszą metodą do wyznaczenia prognozy na miesiąc marzec jest metoda średniej ruchomej przy k=6. Jest to spowodowane tym, że metoda ta charakteryzuje się najmniejszą wartością średniego kwadratowego błędu prognozy, który wynosi 2,90. Warunek s*<=s mówi nam o tym, że dany model jest zadawalający oraz informuje o przeciętnych odchyleniach prognozy od wartości rzeczywistych. Kolejnym czynnikiem przeważającym nad pozostałymi metodami jest wartość średniego modułu względnego błędu prognozy, który jest najniższy i wynosi 10,18% co oznacza, że bezwzględne odchylenie prognozy od danych rzeczywistych stanowią około 10% wartości rzeczywistych. Również współczynnik Theila jest korzystny ponieważ jest mniejszy od jedności i wynosi 0,88. Z zależności U<1 wnioskuję, że metoda średniej ruchomej przy k=6 daje znacznie lepsze efekty niż metoda naiwna.

Podobne efekty daje nam metoda wygładzania wykładniczego lecz charakteryzuje się ona gorszą wartością średniego kwadratowego błędu prognozy, który wynosi 2,98 i jest gorszy od metody średniej ruchomej przy k=6 o 0,08. Również wartość średniego modułu względnego błędu prognozy jest gorsza o 0,08%. W przypadku tej metody warunek, że U<1 jest także spełniony co oznacza, że metoda wygładzania wykładniczego jest trafniejsza niż metoda naiwna.

Następną w kolejności przydatną prognozą jest metoda średniej ruchomej przy k=2. Daje ona znacznie gorsz wyniki od metody średniej ruchomej przy k=6 i metody wygładzania wykładniczego.

Natomiast o średniej ruchomej przy k=4 mogę powiedzieć, że nie spełnia ona warunku s*<=s w związku z czym jest dla moich potrzeb nieodpowiednia. Wartość średniego kwadratowego błędu prognozy jest prawie dwukrotnie większa od wartości odchylenia standardowego reszt.

Najmniej przydatną metodą w porównaniu z innymi metodami dała metoda naiwna. Charakteryzuje się ona ponad 15% wartością średniego modułu względnego błędu prognozy. Poza tym jako jedyna posiada U>=1. Za tą metodą przemawia jedynie fakt, że posiada s*<=s.



Wyszukiwarka