METODY ADAPTACYJNE
Modele ze
stałym poziomem
zmiennej prognozowanej:
Metoda naiwna;
Metoda średniej ruchomej prostej i ważonej;
Prosty model wygładzania wykładniczego;
Modele autoregresji i średniej ruchomej.
Modele z
tendencją rozwojową
zmiennej prognozowanej:
Analityczne modele trendu,
Model liniowy Holta, Browna II i III rzędu;
Model trendu pełzającego z wagami harmonicznymi.
Modele z
wahaniami sezonowymi
zmiennej prognozowanej:
Metoda wskaźników;
Model Wintersa;
Metoda trendów jednoimiennych okresów;.
Analiza harmoniczna;
Metoda L.R Kleina ze zmiennymi zero-jedynkowymi.
Modele z
wahaniami cyklicznymi
zmiennej
prognozowanej
Modele autoregresji i średniej ruchomej
ARMA i ARIMA
METODY PROGNOZOWANIA NA PODSTAWIE
SZEREGÓW CZASOWYCH
Podstawowe wyróżniki:
•
brak postulatu stałości postaci analitycznej funkcji trendu;
•
uwzględniają zmiany kierunku trendu;
•
prognozy średnio i krótkookresowe;
•
zmienność szeregu determinowana przez I, TI, lub TSI;
•
błędy prognoz wygasłych -korekta modelu;
•
prognoza ilościowa o charakterze ekastrapolacyjnym;
•
wg zasady status quo, postawa pasywna;
•
prognozowanie oraz wygładzanie szeregów czasowych;
•
brak możliwości obliczenia mierników błędów ex ante.
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
Trend pełzający z wagami harmonicznymi
:
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
Prognozowanie
wyrównanie szeregu czasowego
za pomocą trendu pełzającego
szacowanie przyszłego
kształtowania się zjawisk, prognoz
za pomocą wag harmonicznych
Trend pełzający z wagami harmonicznymi
:
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
Ś
rednią przyrostu W obliczamy według wzoru:
1
1
1
1
+
−
+
+
⋅
=
∑
t
n
t
n
t
W
C
W
n
t
C
1
=
- wartości współczynnika wagi harmonicznej
Prognoza -
Do ostatniego wyrazu trendu łamanego
dodajemy prostą o nachyleniu , ekstrapolując trend
W
t
t
t
Y
Y
W
ˆ
ˆ
1
1
−
=
+
+
Trend pełzający z wagami harmonicznymi
:
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
wyrównanie szeregu czasowego za pomocą trendu pełzającego
1 -
stały segment wygładzania
-
szacowanie parametrów funkcji
liniowych na podstawie kolejnych fragmentów szeregu tej samej długości
2 -
zmienny segment wygładzania
-
szacowanie parametrów
funkcji liniowych na podstawie kolejnych fragmentów szeregu różnej
długości
Wygładzeniem jest ciąg średnich :
( )
∑
=
=
1
1
1
ˆ
m
j
ij
i
t
t
Y
m
Y
)
(t
Y
ij
- wartości teoretyczne funkcji w okresie t
Trend pełzający z wagami harmonicznymi
:
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
Krok I. Ustalenie wartości stałej wygładzania 1<k<n
(najczęściej k=3).
duże różnice w poziomach zjawiska >> mała wartość
stałej wygładzania.
powolne zmiany >> stała wygładzania o wyższej wartości.
Wyższa wartość stałej wygładzania >> większe
wygładzenie szeregu, >> słabsze reagowanie na zmiany
w szeregu czasowym.
Krok II. Oszacowanie parametrów funkcji trendu na
podstawie kolejnych fragmentów szeregu o
długości k.
100
101
102
103
104
105
106
107
108
t
2
4
6
8
10
12
14
16
18
20
22
24
26
28
30
Liniowy 1
Liniowy 2
Liniowy 3
Liniowy 4
Liniowy 5
Liniowy 6
Liniowy 7
Liniowy 8
Liniowy 9
Liniowy 10
Liniowy 11
Liniowy 12
Liniowy 13
Liniowy 14
Liniowy 15
Liniowy 16
Liniowy 17
Liniowy 18
Liniowy 19
Liniowy 20
Liniowy 21
Liniowy 22
Liniowy 23
Liniowy 24
Liniowy 25
Liniowy 26
Liniowy 27
Liniowy 28
Liniowy 29
PKB
Trend pełzający z wagami harmonicznymi
:
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
Krok III Obliczenie wygładzonych wartości
zmiennej wynikających z danej funkcji
trendu. Wartości oszacowanej odpowiada zbiór
aproksymant
, otrzymany na podstawie
funkcji trendu.
Krok IV. Obliczenie średniej wartości wygładzonej
dla każdego okresu t jako średniej
arytmetycznej wartości wygładzonych ,
wyznaczonych dla tego okresu w kroku III.
t
yˆ
t
yˆ
t
y
~
t
yˆ
100
101
102
103
104
105
106
107
108
21
22
23
24
25
26
27
28
29
30
31
Liniowy 1
Liniowy 2
Liniowy 3
Liniowy 4
Liniowy 5
Liniowy 6
Liniowy 7
Liniowy 8
Liniowy 9
Liniowy 10
Liniowy 11
Liniowy 12
Liniowy 13
Liniowy 14
Liniowy 15
Liniowy 16
Liniowy 17
Liniowy 18
Liniowy 19
Liniowy 20
Liniowy 21
Liniowy 22
Liniowy 23
Liniowy 24
Liniowy 25
Liniowy 26
Liniowy 27
Liniowy 28
Liniowy 29
PKB
100
101
102
103
104
105
106
107
108
t
2
4
6
8
10
12
14
16
18
20
22
24
26
28
30
PKB
szereg wygładzony
Trend pełzający z wagami harmonicznymi
:
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
Krok V Obliczenie przyrostów dla wartości
wygładzonych
Krok VI Nadanie wag poszczególnym przyrostom, tak
aby najnowsze przyrosty miały największe
znaczenie. Suma wag wynosi 1.
1
,...,
2
,
1
~
~
1
1
−
=
−
=
+
+
n
t
dla
y
y
w
t
t
t
1
,...,
2
,
1
1
1
1
1
1
−
=
−
−
=
∑
=
+
n
t
dla
i
n
n
C
t
i
n
t
-0,15
-0,1
-0,05
0
0,05
0,1
0,15
0,2
t
2
4
6
8
1
0
1
2
1
4
1
6
1
8
2
0
2
2
2
4
2
6
2
8
3
0
3
3
-2
-1,5
-1
-0,5
0
0,5
1
1,5
2
2,5
wagi
ważone przyrosty
przyrosty
Trend pełzający z wagami harmonicznymi
:
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
Krok VII Określenie średniego przyrostu trendu jako
średniej ważonej (wagami harmonicznymi)
wszystkich przyrostów obliczonych w kroku V.
Krok VIII Wyznaczenie prognozy punktowej na
moment/okres T
∑
−
=
+
+
⋅
=
1
1
1
1
n
t
t
n
t
w
C
w
w
n
T
y
y
n
T
⋅
−
+
=
)
(
~
Modele ze
stałym poziomem
zmiennej prognozowanej:
Metoda naiwna;
Metoda średniej ruchomej prostej i ważonej;
Prosty model wygładzania wykładniczego;
Modele autoregresji i średniej ruchomej.
Modele z
tendencją rozwojową
zmiennej prognozowanej:
Analityczne modele trendu,
Model liniowy Holta, Browna II i III rzędu;
Model trendu pełzającego z wagami harmonicznymi.
Modele z
wahaniami sezonowymi
zmiennej prognozowanej:
Metoda wskaźników;
Model Wintersa;
Metoda trendów jednoimiennych okresów;.
Analiza harmoniczna;
Metoda L.R Kleina ze zmiennymi zero-jedynkowymi.
Modele z
wahaniami cyklicznymi
zmiennej
prognozowanej
Modele autoregresji i średniej ruchomej
ARMA i ARIMA
METODY PROGNOZOWANIA NA PODSTAWIE
SZEREGÓW CZASOWYCH
Budowa prognozy według wzoru:
gdzie:
- prognoza dla t
-
poziom zmienne prognozowanej w okresie t-1
-
prognoza dla okresu t sporządzona w t-1
α
α
α
α
-
stała wyrównywania 0
≤
≤
≤
≤ α
α
α
α ≤
≤
≤
≤
1
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
(
)
1
1
ˆ
1
ˆ
−
−
⋅
−
+
⋅
=
t
t
t
Y
Y
Y
α
α
t
Yˆ
1
−
t
Y
1
ˆ
−
t
Y
Wyrównywanie wykładnicze Browna rzędu I:
Prognoza - wartość wygładzona z okresu poprzedniego
(prognoza) skorygowana o wartość α jej błędu ex post.
1
ˆ
ˆ
−
+
=
t
t
Y
e
Y
α
Wyrównywanie wykładnicze Browna rzędu I
:
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
(
)
1
1
ˆ
1
ˆ
−
−
⋅
−
+
⋅
=
t
t
t
Y
Y
Y
α
α
1
1
1
ˆ
ˆ
ˆ
−
−
−
−
+
⋅
=
t
t
t
t
Y
Y
Y
Y
α
α
(
)
1
1
1
ˆ
ˆ
ˆ
−
−
−
+
−
=
t
t
t
t
Y
Y
Y
Y
α
nowe oceny poziomu zjawiska otrzymujemy, dodając do poprzednich
szacunków część błędu, w kierunku którym poprawia on nowe szacunki
Problem do rozwiązania
:
•
wybór stałej wygładzania α
α
α
α;
•
wybór wartości początkowych
•
kryterium wyboru stałej wygładzania α
α
α
α;
»
minimalizacja błędu prognoz ex post;
»
ekspercka ocena.
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
Problem do rozwiązania
:
•
wybór wartości początkowych
»
za wartość początkową bierzemy średnią z
kilku pierwszych okresów
»
metodą prognozowania "wstecz”
»
estymacja metodą najmniejszych
kwadratów
»
przyjęcie, że =Y
1
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
Stała wygładzania α
α
α
α, determinuje
:
•
siłę wpływu wcześniejszych informacji na budowane
prognozy (nadaje wagi);
•
wygładzenie szeregu;
•
korektę o błędy prognoz wygasłych;
•
wysoka wartość stałej wygładzania α
α
α
α :
»
słaby efekt wygładzania;
»
prognoza determinowana najnowszą informacją;
»
uwypuklenie krótkookresowych zmian poziomu
zjawiska;
»
silna reakcja na zmiany poziomu zmiennej
prognozowanej;
»
słaba eliminacja wpływu wahań przypadkowych;
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
Wyrównywanie wykładnicze Browna rzędu II
:
gdzie:
-
wygładzona wartość zmiennej prognozowanej metodą wyrównywania
wykładniczego rzędu drugiego w okresie t
- wygładzona wartość zmiennej prognozowanej metodą wyrównywania
wykładniczego rzędu drugiego w okresie t-1
- wygładzona wartość zmiennej prognozowanej metodą wyrównywania
wykładniczego rzędu pierwszego w okresie t
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
(
)
(
)
1
1
1
1
ˆ
1
ˆ
ˆ
ˆ
1
ˆ
−
∗
−
∗
−
−
⋅
−
+
⋅
=
⋅
−
+
⋅
=
t
t
t
t
t
t
Y
Y
Y
Y
Y
Y
α
α
α
α
t
Y
∗
ˆ
1
ˆ
−
∗
t
Y
t
Yˆ
Wyrównywanie wykładnicze Browna rzędu II
:
Budowa prognozy w okresie t dla p okresów
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
(
)
(
)
1
1
1
1
ˆ
1
ˆ
ˆ
ˆ
1
ˆ
−
∗
−
∗
−
−
⋅
−
+
⋅
=
⋅
−
+
⋅
=
t
t
t
t
t
t
Y
Y
Y
Y
Y
Y
α
α
α
α
( )
t
t
t
Y
Y
t
T
∗
−
⋅
=
ˆ
ˆ
2
ˆ
( )
(
)
t
t
Y
Y
t
∗
−
⋅
−
=
ˆ
ˆ
1
ˆ
1
α
α
β
( )
( )
t
p
t
T
Y
t
p
t
1
ˆ
ˆ
ˆ
β
⋅
+
=
+
- ocena poziomu trendu w okresie
t
- ocena zmian trendu w okresie
t
nowe oceny poziomu trendu i jego zmian otrzymujemy,
dodając do poprzednich szacunków część błędu, w kierunku
w którym poprawia on nowe szacunki
Wyrównywanie wykładnicze Browna rzędu III
:
gdzie:
-
wygładzona wartość zmiennej prognozowanej metodą wyrównywania
wykładniczego rzędu trzeciego w okresie t
- wygładzona wartość zmiennej prognozowanej metodą wyrównywania
wykładniczego rzędu trzeciego w okresie t-1
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
(
)
(
)
(
)
1
1
1
1
1
1
ˆ
1
ˆ
ˆ
ˆ
1
ˆ
ˆ
ˆ
1
ˆ
−
∗
∗
−
∗
∗
∗
−
∗
−
∗
−
−
⋅
−
+
⋅
=
⋅
−
+
⋅
=
⋅
−
+
⋅
=
t
t
t
t
t
t
t
t
t
Y
Y
Y
Y
Y
Y
Y
Y
Y
α
α
α
α
α
α
t
Y
∗
∗
ˆ
1
ˆ
−
∗
∗
t
Y
Wyrównywanie wykładnicze Browna rzędu III
:
Budowa prognozy:
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
( )
( )
(
)
(
)
(
)
(
)
[
]
( )
(
)
[
]
t
t
t
t
t
t
t
t
t
Y
Y
Y
t
Y
Y
Y
t
Y
Y
Y
t
∗
∗
∗
∗
∗
∗
∗
∗
∗
+
⋅
−
−
=
−
+
−
−
−
−
=
+
⋅
−
⋅
=
ˆ
ˆ
2
ˆ
2
1
ˆ
ˆ
3
4
ˆ
4
5
2
ˆ
5
6
1
2
ˆ
ˆ
ˆ
3
ˆ
3
ˆ
2
2
2
2
1
0
α
α
β
α
α
α
α
α
β
β
( )
( )
( )
t
p
t
p
t
Y
p
t
2
2
1
0
ˆ
ˆ
ˆ
ˆ
β
β
β
⋅
+
⋅
+
=
+
Wyrównywanie wykładnicze Holta
:
gdzie:
- ocena zmian trendu w okresie t,
- ocena zmian trendu w okresie t-1,
- ocena poziomu trendu w okresie t-1
γγγγ
- stała wygładzania dla zmian trendu (0,1)
α
α
α
α
- stała wygładzania dla poziomu trendu (0,1)
Budowa prognozy:
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
( ) (
) (
)
( ) (
)
(
)
( )
(
)
[
]
1
ˆ
ˆ
1
ˆ
1
ˆ
1
ˆ
1
ˆ
1
1
−
−
⋅
+
−
⋅
−
=
⋅
+
−
⋅
−
=
t
T
t
T
t
t
Y
t
Y
t
T
t
t
t
t
t
γ
β
γ
β
α
α
( )
t
1
ˆ
β
(
)
1
ˆ
1
−
t
β
(
)
1
ˆ
1
−
−
t
T
t
( )
( )
t
p
t
T
Y
t
p
t
1
ˆ
ˆ
ˆ
β
⋅
+
=
+
Model Holta. add.sezon.; Alfa=1,00 Delta=,116
Cena skupu(L)
Wyrówn. Szereg (L)
Reszty (R)
C
ena
s
k
upu
R
es
z
ty
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
-0,5
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
0
20
40
60
80
100
120
140
160
180
200
CENY SKUPU ŻYWCA WOŁOWEGO
Wyrównywanie wykładnicze Wintersa
:
gdzie:
- ocena zmian trendu w okresie t, bez sezonowości
- ocena zmian trendu w okresie t-1, bez sezonowości
- ocena poziomu trendu w okresie t-1, bez sezonowości
- wygładzone wielkości dla wahań sezonowych.
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
( )
t
1
ˆ
β
(
)
1
ˆ
1
−
t
β
(
)
1
ˆ
1
−
−
t
T
t
( )
(
)
[
]
(
) (
)
1
ˆ
1
1
ˆ
ˆ
−
⋅
−
+
−
−
⋅
=
t
T
t
S
Y
t
T
t
t
α
α
( )
( )
(
)
[
]
(
)
(
)
1
ˆ
1
1
ˆ
ˆ
ˆ
1
−
⋅
−
+
−
−
⋅
=
t
t
T
t
T
t
t
t
β
γ
γ
β
( )
( )
[
]
(
) (
)
1
ˆ
1
ˆ
ˆ
−
⋅
−
+
−
⋅
=
t
S
t
T
Y
t
S
i
t
t
δ
δ
t
Sˆ
Wyrównywanie wykładnicze Wintersa
:
Model addytywny
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
( )
( )
( )
( )
( )
( )
t
S
t
p
t
T
t
S
t
T
t
Y
p
t
t
p
t
p
t
p
t
+
+
+
+
+
⋅
+
=
+
=
ˆ
ˆ
ˆ
ˆ
ˆ
1
β
(
)
t
t
t
S
t
t
Y
ε
β
β
+
+
+
=
1
0
)
(
(
)
t
1
0
β
β
+
gdzie:
- model opisujący tendencję,
S
t
-
wahania sezonowe,
εεεε -
składnik losowy.
Budowa prognozy
Ocena poziomu trendu
Ocena zmian trendu
Sezonowość
Wyrównywanie wykładnicze Wintersa
:
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
ADAPTACYJNE METODY PROGNOZOWANIA
Model multiplikatywny
(
)
t
1
0
β
β
+
gdzie:
- model opisujący tendencję,
S
t
-
wahania sezonowe,
εεεε -
składnik losowy.
Budowa prognozy
(
)
t
t
t
S
t
Y
ε
β
β
+
⋅
⋅
+
=
1
0
( )
( )
( )
( )
( )
( )
t
S
t
p
t
T
t
S
t
T
t
Y
p
t
t
p
t
p
t
p
t
+
+
+
+
⋅
⋅
+
=
⋅
=
ˆ
]
ˆ
[
ˆ
ˆ
ˆ
1
β
Ocena poziomu trendu
Ocena zmian trendu
Sezonowość