Студопедия КАТЕГОРИИ: АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Модели экспоненциального сглаживания
Простая и двойная экспоненциально взвешенная скользящая средняя
Различают простую экспоненциально взвешенную скользящую среднюю и двойное экспоненциальное сглаживание. В первом случае предполагается, что сглаживаются и прогнозируются уровни стационарного временного ряда, во втором – имеющего линейный тренд. Пусть – сглаженное значение уровня временного ряда в момент времени t. Тогда модель простой экспоненциально взвешенной скользящей средней запишется как , где – параметр сглаживания (0< <1), учитывающий старение информации (задаётся исследователем, либо рассчитывается программно по минимальной ошибке прогноза). Прогноз по этой модели осуществляется на постоянном уровне по соотношению для всех к>0, где Т – последний период выборки, ближайший к настоящему времени. Двойное экспоненциальное сглаживание предполагает экспоненциально сгладить простую экспоненциально сглаженную: , , где – простая экспоненциально сглаженная; – двойная экспоненциально сглаженная. Прогноз по этой модели осуществляется по соотношению , т.е. по линейному тренду с константой, равной и наклоном . Проиллюстрируем работу этих моделей на примере ранее рассмотренных данных (рисунок 4.25). Здесь YSA – данные из предыдущего примера (сглаженные на сезонность), RESID – остатки модели из предыдущего примера. Видно, что первый ряд имеет тренд, а второй – стационарный. Рисунок 4.25 – Графики анализируемых рядов
Рассмотрим модель простого экспоненциального сглаживания. Откроем в рабочем файле ряд RESID и выберем «Proc/Exponential Smoothing…». Откроется диалоговое окно экспоненциального сглаживания (рисунок 4.26).
Рисунок 4.26 – Диалоговое окно экспоненциального сглаживания
В позиции «Smoothing method – метод сглаживания» выберем «Single – простой», а остальные позиции оставим по умолчанию. Значение параметра сглаживания (Alpha) устанавливать не будем, тем самым, как указано рядом, он будет оцениваться в процессе работы выбранной процедуры. В результате работы процедуры получим (рисунок 4.27). Значение параметра альфа равно 0,001, ниже указаны показатели точности прогноза: сумма квадратов остатков и корень квадратный из среднего квадратов ошибок. Прогнозное значение равно (-2,714181).
Рисунок 4.27 – Простое экспоненциальное сглаживание
По умолчанию прогнозные значения обозначаются так же, как и исходный ряд, только в конце имени добавляются буквы SM (у нас – RESIDSM). График прогнозных значений и исходных данных приведён на рисунке 4.28.
Рисунок 4.28 – График исходных данных и экспоненциально сглаженных значений
Применив процедуру двойного экспоненциального сглаживания к ряду ysa, получим (рисунок 4.29). Здесь прогнозное значение сосчитано по тренду и в конце периода равно 713,6282. Наклон линии тренда равен 25,26213.
Рисунок 4.29 – Двойное экспоненциальное сглаживание
Рисунок 4.30 – График исходных данных и значений двойных экспоненциально сглаженных
Сравнивая прогноз по линейному тренду на основе МНК (рисунок 4.20) и по двойному экспоненциальному сглаживанию (рисунок 4.30), видим, что в последнем случае прогноз несколько завышен к концу периода.
Модели Холта-Винтера
Применим к этому же ряду процедуру «Holt-Winters – No seasonal (без сезонности)» (рисунок 4.26). В этом случае прогноз осуществляется также по линейному тренду, но в работе участвуют уже два параметра сглаживания – постоянного уровня ( ) и показателя динамики ( ). Прогноз осуществляется по формуле , где а(Т) – экспоненциально взвешенная для постоянного уровня, а b(T) – для показателя динамики. Рассчитываются эти характеристики из соотношений , , 0 < < 1. Применив эту процедуру к ряду ysa, получим (рисунок 4.31). Как видим, результаты несколько отличаются от прогноза по тренду по методу двойного сглаживания (рисунок 4.29). Точность несколько повысилась (RMSE = 44,87, а было 46,18), изменился наклон линии тренда, несколько отличаются и прогнозные значения (682,4 вместо 713,6).
Рисунок 4.31 – Экспоненциальное сглаживание по методу «Holt-Winters – No seasonal»
Работу модели Holt-Winters – Multiplicative проиллюстрируем на примере ранее рассмотренного ряда y (с сезонностью). В рассматриваемой модели предполагается линейный тренд с сезонной составляющей. Причём в процедуре экспоненциального сглаживания в EViews возможны два варианта учёта сезонной компоненты – аддитивный и мультипликативный. Различаются они только формой учёта сезонной компоненты в тренде. Опишем вариант мультипликативной модели. Прогноз в этой модели осуществляется по формуле , где , , , . Здесь а(t), b(t), и – те же, что и в предыдущей модели, а и – сезонный фактор и параметр его сглаживания. Результаты оценивания по этой модели приведены на рисунке 4.32. Здесь приведены: значения параметров, прогноз по модели, показатель тренда и индексы сезонности. Если сравнивать с аналогичными индексами, рассчитанными с помощью сезонной декомпозиции (рисунок 4.18), то видно, что расхождения в них не значительны.
Рисунок 4.32 – Результаты расчётов по модели Holt-Winters – Multiplicative
Ниже (рисунок 4.33) приведены графики исходного ряда и прогнозные (расчётные) значения его уровней по модели Holt-Winters.
Рисунок 4.33 – Графики исходного ряда и прогнозных значений по модели
Модель Holt-Winters – Additive «работает» аналогично, только в ней сезонность в выражение для прогноза входит с плюсом (аддитивно), а деление (при вычислении и ) нужно заменить на вычитание.
Глава 5 |
||
Последнее изменение этой страницы: 2018-06-01; просмотров: 387. stydopedya.ru не претендует на авторское право материалов, которые вылажены, но предоставляет бесплатный доступ к ним. В случае нарушения авторского права или персональных данных напишите сюда... |