To tylko jedna z 4 stron tej notatki. Zaloguj się aby zobaczyć ten dokument.
Zobacz
całą notatkę
1. Brak istotnej autokorelacji szeregu ozn:
a) Brak możliwości prognozowania szeregu
b) Brak możliwości prognozowania szeregu modelem autoregresyjnym
c) Optymalność prognozy trywialnej (wartość średnia elementów szeregu).
2. Dla Szeregów czasowych o silnej/słabej autokorelacji (a~1,a~0)zaleca się prognozowanie
wartości/przyrostów szeregu, tj. modeli typu ARIM/ARMA, a dla szeregów niestacjonarnych można/trzeba stosować modele typu ARIMAX/ARMAX+
26. Zastosowanie modeli wygładzania wykładniczego lub trendu pełzającego do
prognozowania stacjonarnych szeregów czasowych, lub szeregów o przyrostach stacjonarnych daje:
a. mniej przydatne prognozy niż wg ARIMA, gdyż nie daje możliwości wyznaczenia prognoz przedziałowych
b. prognozy o większym błędzie średniokwadratowym niż model ARIMA, gdyż zakłada ekstrapolację trendu
c. prognozy o mniejszej dyspersji niż ARIMA, gdyż lepiej odwzorowuje chwilowe właściwości szeregu
Brak istotnej autokorelacji szeregu ozn:
Brak możliwości prognozowania szeregu
Brak możliwości prognozowania szeregu modelem autoregresyjnym
Optymalność prognozy trywialnej (wartość średnia elementów szeregu).
Dla Szeregów czasowych o silnej/słabej autokorelacji (a~1,a~0)zaleca się prognozowanie wartości/przyrostów szeregu, tj. modeli typu ARIM/ARMA, a dla szeregów niestacjonarnych można/trzeba stosować modele typu ARIMAX/ARMAX+
Dla stacjonarnych szeregów o statystycznie niezależnych elementach:
Nie można stosować żadnych metod prognozowania
Najlepsze są metody ekstrapolacji trendu
Optymalna prognoza rozkładu wielkości prognozowanej jest rozkład elementów szeregu w przeszłości(ZOP)
Liniowy model regresyjny zawierający człony statystycznie nieistotne nie jest odpowiedn do prognozowania gdyż:
Jest czasochłonny obliczeniowo
Daje bardziej niepewne prognozy niż model nie zawierający tych członów
Nie spełnia założeń Gaussa-Markowa, przez co nie daje miarodajnych oszacowań dyspersji błędów prognoz
Mamy optymalny model ARX o postaci: , gdzie y, x, v są procesami losowymi.
Jakie wartości przyjąć dla zmiennych objaśniających, aby obliczyć prognozę o minimalnej dyspersji dla y w chwili n+4: takie jakie chcielibyśmy mieć, aby uzyskać najkorzystniejszy wynik prognozy
prognozy o najmniejszym błędzie średniokwadratowym dla yn+3, xn+1 oraz wartość vn-1 ostatnie zarejestrowane wartości yn, xn i vn . wartości uzyskane przez losowanie wg rozkładów y, x i v w przeszłości; Model ARIMA służy do prognozowania: dowolnych szeregów czasowych szeregów czasowych o przyrostach stacjonarnych szeregów czasowych zależnych od znanych czynników egzogenicznych szeregów czasowych stacjonarnych Model ekonometryczny uzyskany metodą najmniejszych kwadratów daje miarodajne oceny rozkładu prawdopodobieństwa błędu prognozy jeśli: został uzyskany na podstawie odpowiednio dużej liczby obserwacji postać (struktura) modelu odwzorowuje z pomijalnym błędem faktyczną zależność stochastyczną zmiennej objaśnianej y od zmiennych objaśniających X dla wartości X0 dla których chcemy wyznaczyć prognozę y(X0) jak w (b) i dodatkowo znany jest rozkład prawdopodobieństwa składnika losowego jak w (b) i rozkład prawdopodobieństwa składnika losowego jest normalny
Minimalnokwadratowy model prognostyczny popytu na pewien towar daje prognozę punktową o wartości 1560 sztuk. Błąd prognozy ma rozkład normalny o dyspersji 60 sztuk. Dostawca wystawia do sprzedaży 1680 sztuk. Ryzyko wystąpienia braku towaru wynosi: a) 5%; b) 2.5% ; c) około 30%; d) około 15%; e) mniej niż 1%
(…)
… ponieważ: a) jego dystrybuanta jest łatwa do obliczenia b) uzasadnia zastosowanie metody najmniejszych kwadratów do estymacji parametrów zależności stochastycznych c) jest dwuparametrowy i jego parametry mogą być łatwo estymowane d) w wielu praktycznych sytuacjach jest teoretycznie uzasadniony Wykres słupkowy (histogram) jest obrazem rozkładu prawdopodobieństwa jeśli:
Przedmiotem badania jest tylko jedna zmienna
Badane zmienne…
... zobacz całą notatkę
Komentarze użytkowników (0)