Расчет ошибок

Шаг 3 нашего алгоритма, предшествующий составлению прогноза состоит в расчете ошибок или остатка. Наша модель имеет следующий вид:

A = T + S + E.

Значение S было найдено в таблице 4.12, а значение T в таблице 4.13. Вычитая каждое значение из фактических объемов продаж, получим значения ошибок.

Таблица 4.15. Расчет ошибок для модели с аддитивной компонентой

Дата	Номер квартала	Объем продаж, тыс. шт.	Сезонная компонента	Трендовое значение, тыс, шт	Ошибка, тыс. шт.
Январь - март 1996			+42,6		-3,6
Апрель – июнь			-20,7		+1,7
Июль – сентябрь			-62,0		+4,0
Октябрь – декабрь			+40,1		-3,1
Январь - март 1997			+42,6		+1,4
Апрель – июнь			-20,7		-1,3
Июль – сентябрь			-62,0		-1,0
Октябрь – декабрь			+40,1		+3,9
Январь – март 1998			+42,6		-1,6
Апрель – июнь			-20,7		+0,7
Июль – сентябрь			-62,0		-3,0
Октябрь – декабрь			+40,1		+1,9
Январь – март 1999			+42,6		-1,6

Как и в случае линейной регрессии для того, чтобы найти меру соответствия модели исходным данным, необходимо вычислить значения ошибок (остатков) модели, то есть той части значения наблюдения, которую невозможно объяснить с помощью построенной модели. Для этого применяют среднее абсолютное отклонение (mean absolute deviation MAD) и среднеквадратическую ошибку (mean square error MCE).

Целесообразно использовать обе меры, так как последняя из этих мер резко возрастает при наличии высоких ошибок.

Мы можем использовать в шаге 4 последний столбец таблицы 4.15 для расчета MAD и MSE.

В нашем случае ошибки достаточно малы и составляют от 1 до 2%. Тенденция, выявленная по фактическим данным, достаточно устойчива и позволяет получить хорошие краткосрочные прогнозы.