prognozowanie i symulacje

Wykład III

Modele trendowo-sezonowe

Model bez wyrazu wolnego z sezonowością możemy zapisać

yt= $\sum_{i = 1}^{l}d_{\text{i\ }}x_{\text{ti}}$ + ξt

di – oznacza parametr mierzący efekt sezonowy w danym cyklu, dla którego zachodzi $\sum_{i = 1}^{l}d_{\text{i\ }}$= 0,

l-oznacza liczbę podokresów w cyklu

xti- zmienna sezonowa 0-1, wyrażana następująco:

1 w i-tym podokresie cyklu

xti

0 w pozostałych

Model z wyrazem wolnym, trendem i sezonowością :

yt= β0 + β1t + $\sum_{i = 1}^{l}d_{\text{i\ }}x_{\text{ti}}$ + ξt

1 1 1 0 0 0
1 2 0 1 0 0
1 3 0 0 1 0
1 4 0 0 0 1
1 5 1 0 0 0
1 6 0 1 0 0
1 7 0 0 1 0
1 8 0 0 0 1
. . . . . .
. . . . . .
. . . . . .
1 n 0 0 0 1

X =

w celu oszacowania modelu z wyrazem wolnym eliminujemy dowolny podokres w cyklu (zwykle ostatni) .

Po przekształceniach otrzymamy następującą postać modelu z sezonowością lub modelu z trendem i sezonowością :

yt= β0 + β1t + $\sum_{i = 1}^{l}d_{\text{i\ }}q_{\text{ti}}$ + ξt

1 w i-tym podokresie cyklu

qti = xti + xtl 0 w pozostałych podokresach z wyjątkiem l-tego

0 w pozostałych

Macierz obserwacji na zmiennych objaśniających w modelu trendowo-sezonowym (przykład kwartalny)

1 1 1 0 0
1 2 0 1 0
1 3 0 0 1
1 4 -1 -1 -1
1 5 1 0 0
1 6 0 1 0
1 7 0 0 1
1 8 -1 -1 -1
. . . . .
. . . . .
. . . . .
1 n -1 -1 -1

X =

Przykład

$\hat{y_{t}}$ = 121,75 + 2,41t – 13,18qt1 – 2,60 qt2 + 15,72 qt3

$\hat{d_{4}}$= 0,06

∑di= 0

d4= -( d1 + d2 + d3)

d4= -(-13,18 – 2,60 + 15,72)

Interpretacja:

2,41t- przychody z kwartału na kwartał rosną o 2,41 tys. zł

-13,18qt1 – przychody biura turystycznego w pierwszych kwartałach badanego okresu były niższe od przeciętnej wyznaczonej trendem średnio o 13,18 tys. zł

T= (17, 18, 19, 20)

y17P =121,75 + 2,41 * 17 – 13,18 * 1 – 2,60 * 0+ 15,72 * 0= 149,54

y18P =121,75 + 2,41 * 18 – 13,18 * 0– 2,60 * 1+ 15,72 * 0= 162,53

y19P =121,75 + 2,41 * 19 – 13,18 * 0 – 2,60 * 0+ 15,72 * 1= 183,26

y20P =121,75 + 2,41 * 20 – 13,18 * (-1) – 2,60 * (-1)+ 15,72 * (-1)= 170,01

Wybór stopnia wielomianu trendu (test równowartości dwóch wariancji)

Szacujemy parametry następujących wielomianowych modeli trendu

yt= $\sum_{l = 0}^{V}\beta_{i}$ti + ξt

yt= $\sum_{i = 0}^{V + 1}\alpha_{i}$ti + εt

Dla tych modeli wyznaczamy wariancję resztowe i stawiamy następujące hipotezy:

H0 : σξ2 = σε2

H0 : σξ2 > σε2

Statystyka testowa F= $\frac{\hat{\sigma_{\xi}^{2}}}{\hat{\sigma_{\varepsilon}^{2}}}$ która przy prawdziwości hipotezy zerowej ma rozkład F (V1 = n1 -1,

V2= n2- 1). Jeżeli natomiast F≤ Fv1v2 to nie ma podstaw do odrzucenia H0, jeżeli natomiast F>Fαv1v2 to mamy podstawy do odrzucenia H0, czyli występuje spadek wariancji resztowej, a właściwym modelem jest wielomian wyższego rzędu.

Ćwiczenia III

Zadanie 1

Zużycie paliwa w litrach w pewnym gospodarstwie w latach 2006-2010 było następujące:

lata 1 kwartał 2 kwartał 3 kwartał 4 kwartał
2006 9913 13704 15911 15285
2007 8157 14402 20490 19440
2008 8543 19387 17955 17135
2009 8998 19221 20028 14968
2010 9101 19620 22715 17698

Oszacować liniowy model trendu wraz z sezonowością i zinterpretować wyniki. Wyznaczyć prognozy punktowe na kolejne 4 kwartały

yt= β0 + β1t + d1xt1+ d2xt2 + d3xt3+ d4xt4

d1+d2+d3+d4=0

β= (XTx)-1Xty

Dodawanie zmiennych time- zmienna czasowa t

Dodawanie zmiennych periodyczne zmienne 0-1 dq1, dq2, dq3, dq4

Dodawanie zmiennych definiowanie nowej zmiennej… q1, q2, q3

Model klasyczna metoda najmniejszych kwadratów…

$\hat{y_{t}}$ = 13706,3 + 183,55t – 6415,83qt1 + 1725,03qt2+ 3694,47qt3

$\hat{d_{4}}$ = -( -6415,83+1725,03+3694,47)= 996,33

Analiza prognoza…

y21P= 13706,3+ 183,5 * 21 – 6415,8= 11145 ± V= 2291,062

y22P= 13706,3+ 183,5*22+1725,03=19469,4 ± V= 2291,062

Zadanie 2

Miesięczna sprzedaż pewnego produktu w kolejnych 12 miesiącach roku 2010 była następująca 9,6; 10,3; 10,6; 10,8; 11,1; 11,3; 11,6; 11,7; 11,8; 11,9; 12; 12,1. Oszacuje najlepszą funkcję trendu dla sprzedaży tego produktu oraz wyznacz prognozę na kolejny miesiąc i oceń jej dopuszczalność.

yto+ β1t

$\hat{y_{t}}$ = 9,89 + 0,2t R2= 0,91

Vξ= $\frac{0,228}{11,23}$ * 100 = 2 % DW= 0,62- silna dodatnia autokorelacja

Zaznaczamy y i time wybieramy Dodawanie zmiennychlogarytmy dla wybranych zmiennych

Następnie Model Klasyczna metoda najmniejszych kwadratów…

I otrzymujemy….

yt= β0+ tβ1 * eξt e 2,718

lnyt =lnβ0 + β1lnt + ξt

lnyt =2,26 + 0,09378 lnt R2=0,99 Vξ= $\frac{0,0054}{2,42}$ = 0,2 % DW= 1,34

Analiza prognoza…

y13P= 2,5 ln tys. zł V13= 0,005935 ln tys. zł

Lnβ0= 2,26 => $\hat{\beta_{0}}$ = e2,26= 9,5869

$\hat{y_{t}}$ = 9,586 t0,09378

y13P = 9,5869 * 13 0,09378 = 12,19 tys.

Wykład IV

x- zmienna endogeniczna

Postać liniowego statycznego modelu ekonometrycznego możemy przedstawić:

yto + β1xt1 + β2xt2 + …+ βkxtk + ξt

Zapis macierzowy modelu:

y= Xβ + ξ

Szacowanie metodą najmniejszych kwadratów

$\hat{\beta}$= |XTX|-1XTy

Średnie błędy szacunku wyznaczamy z macierzy wariancji-kowariancji

Błędy ocen parametrów modelu

D2($\hat{\beta_{i}}$) = σξ2|XTX|-1

Weryfikacja modelu

-weryfikacja ilościowa (etap wnioskowania statystycznego)

Ocena dopasowani modelu

R2 + ϕ2 = 1 R2, ϕ2 ie <D;1>

Indywidualne hipotezy istotności:

H0: β1 = 0

H1: β1 ≠ 0 (i=1,2..k)

Przy prawdziwości hipotezy zerowej poniża statystyka

tβi= $\frac{\hat{\beta_{i}}\ \ \ - \ \sigma}{\hat{\sigma}\ (\hat{\beta_{i}})}$ t(n-k-1)

brak podstaw do odrzucenia H0 (p α = 0,05)

Parametr nieistotnie różni się od 0

Odrzucamy H0 na korzyść H1 (p< α =0,05)

Parametr βi istotnie różni się od 0

Testy diagnostyczne

Testy normalności rozkładu składnika losowego – test Jarque – Bera= Doornika- Hansena (gretl)

Hipotezy testowe są następujące:

H0: ξt N( 0; σξ2)

H1: ξt N( 0; σξ2)

A-współczynnik asymetrii, k-kurtoza

Test stałości wariancji składnika losowego -test heteroskedastyczności- test White`a

Hipotezy testowe są następujące

H0: E(ξt)2 = σξ2= constans

H1: E(ξt)2 σξ2

Przy prawdziwości H0 poniższa statystyka

z2=nR2 z2(K)

Testy autokorelacji 1-go rzędu – test Durbina -Watsona

Hipotezy:

H0:𝜚= 0 H0:𝜚= 0

H1:𝜚> 0 lub H1:𝜚< 0

DW(0,2) DW(2,4)

W przypadku weryfikacji hipotezy (1) wykonujemy statystykę DW w przypadku weryfikacji hipotezy (2) weryfikujemy statystyką 4DW.

Prognozowanie na podstawie jednorównaniowych modeli ekonometrycznych

Jeżeli przyjęte założenia statystyczne są prawdziwe wartość oczekiwana zmiennej prognozowanej będzie postaci:

E(yT) = E(xTβ + ξT) = E(xTβ) + E (ξT) = xTβ

xT= [ 1xT1 xT2…xTK]

Zgodnie z zasadą predykcji nieobciążonej prognozą zmiennej yT, wyznaczoną w okresie T, nazywać będziemy estymator wartości oczekiwanej zmiennej prognozowanej.

yTP = E(yT) = xT$\hat{\beta}$ lub yTP =$\hat{\beta_{0}}$ + β1xT1 +……+βkxT,k

Błędy prognoz ex ante w warunkach stabilności modelu zapiszemy

ξTP = yT - yTP= xTβ + ξT - xT $\hat{\beta}$ = -xT( $\hat{\beta}$- β) + ξT

Przy spełnieniu założeń stochastycznych oczekiwana błędu prognozy będzie równa 0.

E(ξTP) = E ( yT - yTP) = 0 co oznacza nieobciąożność prognozy

Próbkowe oceny średniego błędu prognozy ex ante zapiszemy zatem następująco:

VT= $\sqrt{\ (\xi_{T}^{P}}$) =

Gdzie 2()= (XTX)-1 jest próbkową macierzą wariancji-kowariancji błędu estymacji.

Wartość prognozy przedziałowej dla modelu ekonometrycznego otrzymujemy ze wzoru

P(yTP - tα, n-k-1VT < yT< yTP+ tα, n-k-1VT) = 1 - α

Gdzie tα, n-k-1 wartość statystyki t- studenta

Ćwiczenia IV

Przykład 1

Wartość kosztów w tys. zł ( y )oraz wartość produkcji w setkach ton ( x1) i zatrudnienia w osobach (x2 ) w pewnej firmie w latach 1997-2006 było następujące:

t yt xt1 xt2
1 34911 10 60
2 35132 11 72
3 35642 11 83
4 35015 9 85
5 36395 12 91
6 36521 11 102
7 36314 12 111
8 37692 13 123
9 37612 14 125
10 37158 13 127
  1. Oszacuj i zweryfikuj liniowy model kosztów

  2. Wyznacz prognozy punktowe kosztów na kolejne 2 lata wartości zmiennych objaśniających (x1x2) prognozuj za pomocą trendu liniowego.

  3. Oceń dopuszczalność prognoz przyjmując VT* = 3 %

  4. Wyznacz prognozy przedziałowe kosztów przyjmując ich wiarygodność na 95%.

Ad. 1

  1. Model KMNK

$\hat{y_{t}}$= 30177,4 + 309,385xt1 + 25,26xt2

±115,34 ±7,41

R2= 0,935 – 93,5 % zmienności kosztów zostało wyjaśnionych modelem

ϕ2=0,065- 6,5 % zmienności kosztów nie udało się wyjaśnić

300,02- przeciętne odchylenie wartości kosztów teoretycznych od rzeczywistych

Jeśli produkcja wzrośnie o 100 ton to koszty zwiększą się średnio o 309,385 tys. zł ze średnim błędem 115,34 c. p.

Jeśli zatrudnienie wzrośnie o 1 osobę to koszty wzrosną średnio o 25,26 tys. zł ze średnim błędem 7,4 c. p.

b)Badamy statystyczną istotność parametru β1

H0: β1 = 0

H1: β1 ≠ 0

Statystyka t- studenta

t= $\frac{309,38}{115,3}$= 2,68

(7=10-2-1-> n-k-1; n-l.obserwacji; k-l.zmiennych)

t0,05,7 = 2,68 – ponieważ | tβ1> tα | to odrzucamy H0 na korzyść H1, parametr β1 istotnie różni się od zera; produkcja istotnie wpływa na koszty

c)Testy diagnostyczne (badając założenia KMNM)

- posiada

Test Doornika- Hansena

H0: ξt N( 0; σξ2)

H1: ξt N( 0; σξ2)

Testytest normalności rozkładu reszt…

Χ2(2)= 0,406 [0,816]

d)Badanie autokorelacji składnika losowego – Test Durbina-Watsona

H0: = 0

H1: < 0

DW= 2,69, jeżeli DW> 2 to DW` = 4-DW= 1,31

Narzędzia tablice statystyczne DW

dl= 0,69

du= 1,64

dl<DW; 4-DW <du 0,69 <2,69; 1,31<1,64 – test nie rozstrzyga o istotności autokorelacji

2) a) xt1 = α0 + α1t + ξt

Dodawanie zmiennychtime-zmienna czasowa t

ModelKMNK

$\hat{x_{t1}^{P}}$ = 9,4 + 0,4t

Analiza Prognoza..

x11, 1P = 9,4 + 0,4 * 11= 13,8 x12, 1P= 9,4 + 0,4 * 12 = 14,2

  1. xt2 = α0 + α2t + ξt xt2= 55,8+ 7,65t

x11, 2P = 140 x12, 2P= 148

Edytujemy wartości x1 i x2, dodajemy obliczone prognozy

Model KMNK Analiza Prognoza

Prognoza

yTP= xT * $\hat{\beta}$

y11P= [1 13,8 140] * $\left\lceil \begin{matrix} 30177,4 \\ 309,38 \\ 25,26 \\ \end{matrix} \right\rceil$ = 37983,3 tys. zł

lub $\hat{y}$t= 30177,4 + 309,38 *13,8+ 25,26 * 140= 38309,1 tys. zł

y12P = [a 1402 148] * $\left\lceil \begin{matrix} 30177,4 \\ 309,38 \\ 25,26 \\ \end{matrix} \right\rceil$ = 38309,1 tys. zł

3) Ocenić dopuszczalność-> policzyć błędy prognoz

Analiza macierz współczynników kowariancji

V11= $\sqrt{\left\lbrack 1\ \ 13,8\ \ 140 \right\rbrack\begin{bmatrix} 738433 & - 85919,9 & 2729,71 \\ - 85919,9 & 13303,8 & - 698,711 \\ 2729,71 & - 698,711 & 54,91 \\ \end{bmatrix}\begin{bmatrix} 1 \\ 13,8 \\ 140 \\ \end{bmatrix} + {(300,02)}^{2}}$ = 362,3

V12= $\sqrt{\left\lbrack 1\ \ 14,2\ \ 148 \right\rbrack\begin{bmatrix} 738433 & - 85919,9 & 2729,71 \\ - 85919,9 & 13303,8 & - 698,711 \\ 2729,71 & - 698,711 & 54,91 \\ \end{bmatrix}\begin{bmatrix} 1 \\ 14,2 \\ 148 \\ \end{bmatrix} + {(300,02)}^{2}}$ = 380,44

Względny błąd prognozy ex-ante

VT*=$\frac{V_{T}}{y_{T}^{P}}$ * 100= $\frac{362,3}{37983,3}$ =0,95%

V12*= 0,99%

Prognozy są dopuszczalne, gdyż są mniejsze od 3 %.

4. Prognozy przedziałowe

37983,3 – 2,365 * 362,3 911 37983,3 + 2,365 * 362,3

37126,46 911 38840,07 (odczytujemy z prognozy)

Z prawdopodobieństwem 0,95 przedział o końcach 37126,46 i 38840,07 pokrywa nieznaną wartość kosztów w 2007 r.


Wyszukiwarka

Podobne podstrony:
prognozowanie i symulacje wyklad (25 str)
Program - PROGNOZOWANIE I SYMULACJA, STUDIA, prognozowanie
Prognozowanie i symulacje wykład 1 2010
prognozowanie i symulacje-ściąga, Ekonomia
PROGNOZOWANIE I SYMULACJE wykłady
Prognozowanie i symulacje materialy
Ściąga prognozowanie i symulacje, Szkoła, EKONOMIA, EKONOMIA MATEMATYCZNA
inf 3, ● STUDIA EKONOMICZNO-MENEDŻERSKIE (SGH i UW), prognozowanie i symulacje
TEST na egzamin z rozwiazaniami, ● STUDIA EKONOMICZNO-MENEDŻERSKIE (SGH i UW), prognozowanie i symul
Prognozy i symulacje testy
Prognozowanie i symulacje(1)
prognozowanie i symulacje międzynarodowe XMLUTYOVCYVJQZOM7KBZKDMOORHTDBRS3ZQ4W4Q
Progn i sym 2004 lato, ● STUDIA EKONOMICZNO-MENEDŻERSKIE (SGH i UW), prognozowanie i symulacje
W firmie sprzedającej komputery wyznaczono następujący trend, ● STUDIA EKONOMICZNO-MENEDŻERSKIE (SGH
Prognozy i symulacje (17 stron) RE5NCEJ42LIWYV7LXE57UBDEZZZE3W7KIT6DZFQ
Prognozowanie i symulacje miedz skrypt z 2011 roku id 394821
zagadnienia prognozowanie, Prognozowanie i Symulacje
Prognozowanie i symulacja w przedsiębiorstwie

więcej podobnych podstron