Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Если мы используем значение и = 3 в качестве базы скользящего среднего, то оценка спроса на следующий месяц (г = 25) будет равна средней величине спроса за 22, 23 и 24 месяцы:
. 62 + 70 + 72 ^0 у^ =---= 68 единиц.
Оценка величины спроса в 68 единиц для 25 месяца будет использоваться также при прогнозе спроса для г = 26:
. 70 + 72 + 68 „„ у^ =---= 70 единиц.
Когда значение реального спроса в 25 месяце будет известно, его следует использовать для вычисления новой оценки объема спроса для 26 месяца в виде средней величины спроса 23, 24 и 25 месяцев.
Средство вычисления скользящего среднего является составной частью надстройки Пакет анализа Excel. Для его использования выполните команду Сервис=>Анализ
13.1. Прогнозирование с использованием скользящего среднего 539
данныхоСкользящее среднее1. В открывшемся одноименном диалоговом окне (см. рис. 13.1) укажите местоположение на рабочем листе исходных данных (в поле ввода Входной интервал), а также определите, куда выводить расчетные данные (в поле ввода Выходной интервал). Для вывода графика установите флажок Вывод графика. На рис. 13.1 показано заполненное окно Скользящее среднее и результаты работы этого средства.
Сконьзящее среднее
Входные данные Входной интервал.
Г" цвтии в первой строке
Интервал:
Параметры вывода Выгодной интервал:
$В$2:$В$25
"3
OK
Справка
|$С$2
Р Вывод графика
Г Стандартные погрешности
Месяц t | Спрос yt Прогноз | |
46 #Н/Д | ||
56 #Н/Д | ||
54 52 | ||
43 51 | ||
57 51 33333 | ||
56 52 | ||
67 60 | ||
62 61.66667 | ||
50 59.66667 | ||
56 56 | ||
47 51 | ||
56 53 | ||
54 52 33333 | ||
42 50 66667 | ||
64 53 33333 | ||
60 55 33333 | ||
70 64 66667 | ||
66 65 33333 | ||
57 64 33333 | ||
55 59 33333 |
80 70 60 50 40 30 20 10 0
Скользящее среди | ■ Фактический - Прогноз | |
_ 1 1. 1.. ■ ■ i I 1.. ■ 1 1 ■ J 1. 1. 1 i |
7 10 13 16 19 Точка данных
Рис. 13.1. Применение средства Скользящее среднее к данным примера 13.1.1
1 Команда Сервис^Анализ данных будет доступна только тогда, когда к Excel присоединена надстройка Пакет анализа, которая автоматически не присоединяется при инсталляции Excel. Чтобы присоединить эту надстройку, выберите команду Сервис1* Надстройки и в диалоговом окне Надстройки установите флажок Пакет анализа. — Прим. ред.
Глава 13. Методы прогнозирования
УПРАЖНЕНИЯ 13.1
1. В примере 13.1.1 оцените объем спроса для t = 25, используя п = 12 в качестве базы скользящего среднего. Какой эффект имеет большее значение п с точки зрения подавления тенденции изменения данных?
2. Число кондиционеров, проданных за последние 24 месяца, приведено в табл. 13.2. Проанализируйте эти данные с точки зрения применимости метода скользящего среднего.
Таблица 13.2
Месяц | Продажа | Месяц | Продажа |
3. В табл. 13.3 содержатся данные за десятилетний период о количестве людей, посетивших туристическую зону на автомобиле и воздушном транспорте. Проанализируйте эти данные с точки зрения применимости метода скользящего среднего.
Таблица 13.3
Год | ||||||||||
Автомобиль | ||||||||||
Самолет |
4. В табл. 13.4 представлены данные об объемах продажи универмага (в миллионах долларов). Проанализируйте эти данные с точки зрения применимости метода скользящего среднего.
Таблица 13.4
Год | ||||||||||
Продажа | 21,0 | 23,2 | 23,2 | 24,0 | 24,9 | 25,6 | 26,6 | 27,4 | 28,5 | 29,6 |
5. Университет предлагает курсы лекций (вне своей территории) в пяти населенных пунктах штата. В табл. 13.5 приведены данные о числе слушателей курсов на протяжении шести лет. Данные относительно каждого года разбиты
13.2. Экспоненциальное сглаживание
по семестрам: осень (1), весна (2) и лето (3). Необходимо использовать эти данные для оценки числа слушателей в следующем году. Проанализируйте приведенные данные с точки зрения применимости метода скользящего среднего.
Таблица 13.5
Населенный пункт, где проводятся курсы лекций | ||||||
Семестр | ||||||
13.2. ЭКСПОНЕНЦИАЛЬНОЕ СГЛАЖИВАНИЕ
Прогнозирование путем экспоненциального сглаживания (метод экспоненциального сглаживания) предполагает, что вероятностный процесс определяется моделью yt — Ь + £■, это предположение использовалось и при рассмотрении метода скользящего среднего. Метод экспоненциального сглаживания разработан для того, чтобы устранить недостаток метода скользящего среднего, который состоит втом, что все данные, используемые при вычислении среднего, имеют одинаковый вес. В частности, метод экспоненциального сглаживания приписывает больший весовой коэффициент самому последнему наблюдению.
Глава 13. Методы прогнозирования
Определим величину а(0 < а< 1) как константу сглаживания, и пусть известны значения временного ряда для прошедших t моментов времени у,, у2, уг Тогда оценка y'ltl для момента времени t + 1 вычисляется по формуле
Коэффициенты при yt, yt_v yt_2,... постепенно уменьшаются, тем самым эта процедура приписывает больший вес последним (по времени) данным.
Формулу для вычисления у'^ можно привести к следующему (более простому) виду:
Таким образом, значение y'tl можно вычислить рекуррентно на основании значения у'. Вычисления в соответствии с этим рекуррентным уравнением начинаются с того, что пропускается оценка у', для t = 1 и в качестве оценки для 1 = 2 принимается наблюденная величина для £ = 1, т.е. у\ = у,. В действительности же для начала можно использовать любую разумную процедуру. Например, часто в качестве оценки у'0 берется усредненное значение yt по "приемлемому" числу периодов в начале временного ряда.
Выбор константы сглаживания а является решающим моментом при вычислении значения прогнозируемой величины. Большее значение а приписывает больший вес последним наблюдениям. На практике значение «берут в пределах от 0,01 до 0,30.
Пример 13.2.1
Применим метод экспоненциального сглаживания к данным из примера 13.1.1 при а=0,1-
При вычислениях пропускается у' и принимается, что у' = у, = 46 единиц. Для примера последовательно вычислим
у\ = ау, + (\-а)у'2 =0,1x56 + 0,9x46 = 47,
у\ =а>-э + (1-а)>>; =0,1x54 + 0,9x47 = 47,7.
На рис. 13.2 показано диалоговое окно средства Excel Экспоненциальное сглаживание и результаты его применения к данным примера 13.2.1. Для работы с этим средством надо выполнить такие же действия, как при работе со средством Скользящее среднее (см. раздел 13.1). Отметим, что в диалоговом окне Экспоненциальное сглаживание в поле Фактор затухания задается не величина константы сглаживания а, а величина 1 - а.
Из приведенных данных следует, что оценка для t = 25 равна
у'2$ = ау24+(1~а)у24 =0,1x72 + 0,9x57,63 = 59,07 единиц.
Эта оценка значительно отличается от полученной с помощью метода скользящего среднего (68 единиц). Большее значение для отдаст оценку, более близкую к оценке метода скользящего среднего.
yli = аУ, + 0-«){«>■,-,+ «(1 - «) У,-г + «С - «)2 У,-, +•■•} = Щ, +(!"«) У,-
13.2. Экспоненциальное сглаживание
Экспоненциальное сглаживание
Входные данные Вводной интервал, фактор затухания: Г" Метки
Параметры вывода Выходной интервал: |$В$2:$8$25 |09
"3
ОХ
Отмена
Справка
*С$2
~3
Р Вывод графика
Г Стандартные rjorpeujHOCTvi
1 2 3 4 5 6 7
46 #Н/Д 56
54 43 57 56 67
ABC 1 Месяц t Спрос yt Прогноз
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
8 9 10 11 12 13 14 15 16 17 18 19 20
62 50 56 47 56 54 42 64 60 70 66 57 55
46 47 47.71 47 23, 48 207 48 9863
50 78767 51 9089
51 71801
52 14621
51 63159
52 06843 52 26159 51.23543 52 51189
53 2607 54 93463 56 04117 56 13705
Экспоненциальное сглаживание
1 4
7 10 13 16 19 Точка данных
Рис. 13.2. Применение экспоненциального сглаживания к данным примера 13.2.1
УПРАЖНЕНИЯ 13.2
1. Примените метод экспоненциального сглаживания для данных из упражнения 13.1.2 при а =0,2.
2. Примените метод экспоненциального сглаживания для данных из упражнения 13.1.3 при а= 0,2.
3. Примените метод экспоненциального сглаживания для данных из упражнения 13.1.4 при а= 0,2.
4. Примените метод экспоненциального сглаживания для данных из упражнения 13.1.5 при а= 0,2.
544 Глава 13. Методы прогнозирования
13.3. РЕГРЕССИОННЫЙ АНАЛИЗ
Регрессионный анализ определяет связь между зависимой переменной (например, спросом на продукцию) и независимой переменной (например, временем). Часто применяемая формула регрессии, описывающая зависимость между переменной у и независимой переменной х, имеет вид
у = Ь0 + Ьгх + Ь2хг +... + Ьпх" + £,
где Ь0, Ь},Ьа — неизвестные параметры. Случайная ошибка £ имеет нулевое математическое ожидание и постоянную дисперсию (т.е. дисперсия случайной величины ^одинакова для всех наблюдаемых значений у).
Самая простая регрессионная модель предполагает, что зависимая переменная линейна относительно независимой переменной, т.е.
у" = а + Ьх.
Константы а и Ь определяются из временного ряда с использованием метода наименьших квадратов, в соответствии с которым находятся значения этих констант, доставляющих минимум сумме квадратов разностей между наблюдаемыми и вычисленными величинами. Пусть (у,, х) представляет 1-ю точку исходных данных временного ряда, I = 1, 2,..., п. Определим сумму квадратов отклонений между наблюдаемыми и вычисленными величинами.
Значения коэффициентов а и Ь определяются из соответствующих условий минимума функции S, которые представимы в виде следующих уравнений.
— = -2Y(y.-a-bxi)xl=0.
После алгебраических преобразований получаем следующее решение данных уравнений.
ь = м±-,
Y^xf-nx1
1-Х
а = у - Ьх,
Ь,±У,
гдел;= ——, у= ——. п п
Приведенные соотношения показывают, что сначала необходимо вычислить Ь, а затем величину коэффициента а.
Вычисленные значения а и b имеют силу при любом вероятностном распределении случайных величин yt. Однако если yt являются нормально распределенными случайными величинами с одинаковым стандартным отклонением, можно установить доверительный интервал для среднего значения оценки при х = х° (т.е. для у0 = а + Ьх°) в виде интервала
13.3. Регрессионный анализ
(a + bx°)
±t.
a/2.n-2
n~2 V
Мы заинтересованы в установлении для прогнозируемых значений зависимой переменной у соответствующих им интервалов предсказания (это важнее, чем доверительный интервал для среднего значения оценки). Как и следовало ожидать, интервал предсказания для значения прогнозируемой величины является более широким, чем доверительный интервал для среднего значения оценки. Действительно формула для интервала предсказания такая же, как и для доверительного интервала, но с той лишь разницей, что член 1/п под вторым квадратным корнем заменен на (п + 1)/п.
Чтобы проверить, насколько линейная модель у*=а + Ьх соответствует исходным данным, необходимо вычислить коэффициент корреляции г согласно формуле:
где -1<г< 1.
Если г = ±1, тогда линейная модель идеально подходит для описания зависимости между у и х. В общем случае, чем ближе |г| к 1, тем лучше подходит линейная модель. Если же г — 0, величины у и х могут быть независимыми. В действительности равенство г = 0 является лишь необходимым, но не достаточным условием независимости, так как возможен случай, когда для двух зависимых величин коэффициент корреляции будет равен нулю.
Пример 13.3.1
Применим модель линейной регрессии к данным из примера 13.1.1, которые для удобства приведены в табл. 13.6.
Таблица 13.6
Месяц, х, | Спрос, у, | Месяц, х, | Спрос, у, |
г
Из данных этой таблицы получаем следующее.
Глава 13. Методы прогнозирования
£ >>,*, = 17842, £ jc, = 300, £ х; = 4900, £ у, = 1374, £ / = 80254.
1-1 /=1 /=! 1-1 i = l
Следовательно,
1 = 12,5, 7 = 57,25,
, 17842-24x57,25x12,5
Ь =-г-= 0,58,
4900 - 24х12,52
а = 57,25-0,58х12,5 = 50. Таким образом, оценка спроса представляется формулой
/ = 50 + 0,58*.
Например, прих = 25 получаем / = 50 + 0,58 х 25 = 64,5 единицы. Вычисляем коэффициент корреляции:
17842-24x57,25x12,5
^(4900 - 24 х 12,5г) (80254 - 24 х 57,252)
= 0,493.
Относительно малое значение коэффициента корреляции г указывает на то, что линейная модель /= 50 + 0,58х является не совсем подходящей для исходных данных. Считается, как правило, что линейная модель подходит для исходных данных, если 0,75 < \\ < 1.
Предположим, необходимо вычислить 95% -ный доверительный интервал для полученной линейной оценки. Для этого надо сначала вычислить сумму квадратов отклонений от аппроксимирующей прямой. В табл. 13.7 приведены результаты этих вычислений.
Из табл.2 приложения В имеем f0025.22 = 2,074. Следовательно, искомый доверительный интервал имеет вид
(50 + 0,58л;0) ±2,074^
1205,64 | 1 + (/-12,5)'
24-2 \ 24 4900 - 24х12,52' Это выражение можно упростить, в результате получим следующее.
/ (л-0 -12,5)"
(50 + 0,58л-0) ±15,35 W0,042 + -v '
Чтобы продемонстрировать применение этой формулы, вычислим интервал предсказания для оценки спроса на следующий месяц (л-0 = 25). В этом случае коэффициент 0,042 должен быть заменен на 1,042,2 и соответствующий интервал предсказания определяется как (64,5 ±16,66) или (47,84,81,16). Следовательно, можно сказать, что с вероятностью 95 % спрос для х = 2Ъ будет находиться между 47,84 и 81,16 единицами.
2 Напомним, что определение интервала предсказания основано на формуле, определяющей доверительный интервал, где под корнем слагаемое 1/п заменено на (п + 1)/п. — Прим.ред.
13.3. Регрессионный анализ 547
Таблица 13.7
X | У | У* | (y-yf |
50,58 | 20,98 | ||
51,16 | 23,43 | ||
51,74 | 5,11 | ||
54,32 | 86,86 | ||
52,90 | 16,81 | ||
53,48 | 6,35 | ||
54,06 | 152,77 | ||
54,64 | 54,17 | ||
55,22 | 27,25 | ||
55,80 | 0,04 | ||
56,38 | 87,98 | ||
56,96 | 0,92 | ||
57,54 | 12,53 | ||
58,12 | 259,85 | ||
58,70 | 28,09 | ||
59,28 | 0,52 | ||
59,86 | 102,82 | ||
60,44 | 30,91 | ||
61,02 | 16,16 | ||
61,60 | 43,56 | ||
62,18 | 103,63 | ||
62,76 | 0,58 | ||
63,34 | 44,53 | ||
63,92 | 65,29 |
£(у, -у,*)' =1205,64
Вычисления регрессионного анализа обычно весьма сложны и громоздки. К счастью, нет необходимости выполнять их вручную. Excel предлагает для этого несколько средств. На рис. 13.3 показан рабочий лист с исходными данными и диалоговое окно средства Регрессия, которое предназначено для выполнения вычислений регрессионного анализа. Excel автоматически сгенерирует выходной отчет этого средства, содержащий всю необходимую информацию. Чтобы воспользоваться средством Регрессия, выберите команду Сервис=>Анализ данных^Регрессия.
УПРАЖНЕНИЯ 13.3
1. Примените метод линейной регрессии к данным из упражнения 13.1.2.
2. Примените метод линейной регрессии к данным из упражнения 13.1.3.
3. Примените метод линейной регрессии к данным из упражнения 13.1.4.
4. Примените метод линейной регрессии к данным из упражнения 13.1.5.
Глава 13. Методы прогнозирования
Докажите, что при линейной регрессии сумма разностей между расчетными и предсказанными величинами по всем исходным данным равна нулю, т.е. выполняется равенство
1; | ||
\ 3 | 2! | |
з: | ||
4; | ||
5; | ||
б! | ||
7' | ||
?i | ||
?i | ||
;if | 10! | |
12J | 11* | |
!?i | ||
13; | ||
ui | ||
15; | ||
16; | ||
is: | ||
20"1 | 19; | |
20; | 55л | |
2? | 21! | 52J |
Е(л-лИ-
i=l
P грессия
Входные данные Входной интервал Y
Входной интервал X Г" Метки
Г" уровень надежности:
Параметры вывода
Выгодной интервал:, ^ Новый рабочий лист: Новая рабочая книга, Остатки Г~ Остатки
$А$2:$А$25] Г" Константа - ноль
ЕВ$2:$В$25
31 "3
3J
Г График остатков Г" Стандартизованные остатки & График подбора
Нормальная вероятность
Г" График нормальной вероятности
Справка
Рис. 13.3. Применение средства Регрессия к данным примера 13.2.3
ЛИТЕРАТУРА
1. Brown В. L. and O'Connell. Forecasting and Time Series: An Applied Approach Duxbury Press, Belmont, CA, 1993.
2. Brown R. G. Smoothing, Forecasting, and Prediction of Discrete Time Series, Prentice Hall, Upper Saddle River, N.J., 1972.
3. Montgomery D. and Peck E. Introduction to Linear Regression Analysis, Wiley, New York, 1991.
4. Willis R. E. A Guide to Forecasting for Planners and Managers, Prentice Hall, Upper Saddle River, N.J., 1987.
Литература, добавленная при переводе
1. Айвазян С. А., Мхитарян B.C. Прикладная статистика и основы эконометрики. — М.: ЮНИТИ-ДАНА, 2001.
2. Макарова Н. В., Трофимец В. Я. Статистика в Excel. — М.: Финансы и статистика, 2002.
3. Минько А. А. Статистический анализ в Microsoft Excel. — М.: Диалектика, 2004.
4. Сигел Э. Ф. Практическая бизнес-статистика. — М.: Издательский дом "Вильяме", 2002.
5. Ханк Дж. Э., Райте А. Дж., Уичерни Д. У. Бизнес-прогнозирование. — М.: Издательский дом "Вильяме", 2003.
ГЛАВА 14
ТЕОРИЯ ИГР И ПРИНЯТИЯ РЕШЕНИЙ
В теории принятия решений используются "разумные" процедуры выбора наилучшей из нескольких возможных альтернатив. Насколько правильным будет выбор, зависит от качества данных, используемых при описании ситуации, в которой принимается решение. С этой точки зрения процесс принятия решений может принадлежать к одному из трех возможных условий.
1. Принятие решений в условиях определенности, когда данные известны точно.
2. Принятие решений в условиях риска, когда данные можно описать с помощью вероятностных распределений.
3. Принятие решений в условиях неопределенности, когда данным нельзя приписать относительные веса (весовые коэффициенты), которые представляли бы степень их значимости в процессе принятия решений.
По существу, в условиях определенности данные надежно определены, в условиях неопределенности они не определены.1 Принятие решений в условиях риска, следовательно, представляет "промежуточный" случай.
14.1. ПРИНЯТИЕ РЕШЕНИЙ В УСЛОВИЯХ ОПРЕДЕЛЕННОСТИ — МЕТОД АНАЛИЗА ИЕРАРХИЙ
Модели линейного программирования (главы 2-8) являются примером принятия решений в условиях определенности. Эти модели применимы лишь в тех случаях, когда альтернативные решения можно связать между собой точными линейными функциями. В этом разделе рассматривается иной подход к принятию решений в ситуациях, когда, например, для идей, чувств, эмоций определяются некоторые количественные показатели, обеспечивающие числовую шкалу предпочтений для возможных альтернативных решений. Этот подход известен как метод анализа иерархий.
Перед тем как изложить детали данного метода, рассмотрим пример, демонстрирующий способ, с помощью которого оцениваются различные альтернативные решения.
Это не значит, что в условии неопределенности полностью отсутствует информация о задаче. Речь идет о том, что имеющиеся данные трудно или невозможно классифицировать по степени значимости их для принятия решения, и что для этих данных, рассматриваемых как реализации случайных величин или процессов, неизвестна или не может быть определена их функция распределения или другие статистические характеристики. — Прим. ред.
Дата публикования: 2014-11-18; Прочитано: 510 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!