Przydatność klasycznych modeli trendu w prognozowaniu
Prognozowanie krótko- i średniookresowe, w warunkach, które nie są zmienne, czyli reprezentują zasadę status quo (czynniki kształtujące zjawisko nie zmienią się zasadniczo w okresie objętym prognozą). Przyjmuje się, że przyszłe warunki bardzo mało lub wcale nie różnią się od tych, do których odnoszą się istniejące teorie. Przewidywanie na podstawie modeli klasycznych nie bierze pod uwagę przyczyny zjawiska, istotna jest tu sama prognoza czyli „co się będzie działo”. Stosując metodę ekstrapolacji najlepsze rezultaty uzyskuje się dla zjawisk jednorodnych o przewadze elementów ilościowych oraz tam gdzie zjawiska nie podlegają znacznym zmianom strukturalnym.
Wymienić metody prognozowania mające zastosowanie w prognozowaniu
Szeregów stacjonarnych: metoda średniej ruchomej, średniej ruchomej ważonej, metoda wyrównywania wykładniczego Browna 1
Szeregi czasowe z tendencją rozwojową: ekstrapolacja funkcji trendu, Holt, Brown 2 i 3, model trendu harmonicznego z wagami pełzającymi
Popyt na luksusowe samochody (wg mnie jest to tendencja rozwojowa) czyli to co powyżej
popyt na samochody z automatyczna skrzynia ( stacjonarna tez powyżej)
przewozy ładunków ( trend + wahania sezonowe - gospodarka się rozwija wiec przewozimy coraz więcej, a sezonowość dlatego ze np. niektóre produkty reprezentują popyt sezonowy np. lody, a może jeszcze wahania cykliczne związane z koniunktura gospodarczą???) - metoda wskaźnikowa, metoda Wintersa
popyt na domy jednorodzinny ( z ciągle rosnącymi cenami mieszkań, coraz więcej ludzi zaczyna kupować domy, cenowo nie ma już tak dużej różnicy pomiędzy nimi, wiec tendencja rozwojowa)
Omów weryfikacje statystyczną modelu prognostycznego
Cele weryfikacji statystycznej:
Zbadanie stopnia przylegania modelu do danego fragmentu rzeczywistości
(reszty, współczynnik determinacji lub skorygowany współczynnik determinacji, współczynnik zmienności losowej, odchylenie standardowe składnika losowego)
Zbadanie zestawu zmiennych objaśniających z punktu widzenia ich wpływu na zmienną objaśnianą (średnie błędy oceny estymatorów)
Rozkład składnika losowego
Aby sprawdzić poprawność metody szacunku i wykorzystania danego modelu do zbudowania prognozy należy zbadać:
Autokorelację (za pomocą wskaźnika autokorelacji lub statystykę d Durbina-Watsona)
Losowość (test serii)
Stacjonarność ( współczynnik korelacji miedzy odchyleniami (błędami) a czasem)
Porównaj grupę metod adaptacyjnych i modele tendencji rozwojowych (chodzi o ekstrapolacje funkcji trendu?)
Metody adaptacyjne : bardziej elastyczne na wszelkie wahania, nie obowiązuje tutaj zasada status quo, rozluźniają założenia klasycznej teorii predykcji, uwzględniają nowe informacje statystyczne, mają zdolności dostosowawcze
Metody tendencji rozwojowych patrz pyt. 1
Jakie są wyróżniki prognozowania na podstawie metod przyczynowo skutkowych?
Modele klasyczne oraz adaptacyjne opierają się na zasadzie, iż istotne jest to co się wydarzy, a nie dlaczego. W modelach przyczynowo skutkowych zmienna objaśniana jest skutkiem, a zmienne objaśniające przyczyną zdarzenia. Przedstawia się poziom zjawiska za pomocą funkcji kształtujących go czynników. Metoda ma charakter pośredni, najpierw wyznaczamy przyszłe wartości zmiennych objaśniających, a potem sporządzamy prognozę. Prognozowanie na podstawie modeli przyczynowo skutkowych jest celowe, gdy zmienne objaśniające potrafimy lepiej prognozować niż zmienna objaśnianą.
Podaj przesłanki na zastosowanie szeregów czasowych w prognozowaniu
Zjawisko jest tak złożone ze jego opis wymagałby bardzo skomplikowanych modeli
Zadanie prognosty to przewidzenie tego co się wydarzy, a nie dlaczego
Koszty zdobycia informacji o przyczynach zjawisk mogą być niewspółmiernie wysokie do kosztów konstrukcji prognozy opartych na modelach szeregów czasowych.
Testy wykonywane dla sprawdzenia czy metoda szeregów czasowych jest odpowiednia: parametryczne: współczynnik korelacji, test von Neumana, test Bartletta; nieparametryczne: test serii, punktów zwrotnych, znaków, Danielsa.
Kiedy stosuje się model addytywny, a kiedy multipliwatywny?
Model addytywny przedstawiony jest jako suma trendu, wahań sezonowych i przypadkowych. Wszystkie elementy wyrażone są w tych samych jednostkach. W analogicznych fazach cyklu przybliżenia są takie same czyli występują wahania bezwzględne stałe. Składowe tego modelu są niezależne.
Model multiplikatywny to iloczyn skłądowych szeregu czasowego. Tylko jedna ze składowych jest wyrażana w jednostkach zmiennej prognozowanej (zazwyczaj trend), pozostale odchylenia sa przedstawiane jako wzgledne odchylenia od przeciętnego poziomu zmiennej. Wielkości amplitudy wahań zmieniają się mniej wiecej w jednakowym stosunku, występują wahania względne stałe
Kiedy nie stosujemy klasycznych modeli trendu?
Jeśli nie występuje zasada status quo, czyli gdy warunki są zmienne. Modele klasyczne są za mało elastyczne, aby można je było stosowac w zmiennych warunkach.
Kiedy nie możemy prognozowac?
Gdy nie mamy informacji w ogóle, albo gdy nie mamy informacji spełniających odpowiednich założeń: jednoznacznosc, identyfikowalnosc zjawiska przez zmienne, kompletnosc, aktualnosc danych dla przyszłosci, koszty zbierania i opracowania danych, porównywalnosc danych
Być może chodzi o niestabilne warunki gospodarczo-polityczne