Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
med <strong>en</strong> servomekanisme, lar d<strong>en</strong> seg likevel<br />
forstå: I <strong>en</strong> servomekanisme korrigeres<br />
det for avviket (feil<strong>en</strong>) i forhold til<br />
d<strong>en</strong> fastsatte kurs og ikke for hva kurs<strong>en</strong><br />
faktisk er.<br />
D<strong>en</strong> matematiske formulering (3),<br />
beskriver y ved q forutgå<strong>en</strong>de a-verdier<br />
(og at ). Vi sier da at y kan beskrives ved<br />
<strong>en</strong> MA-prosess av q-te ord<strong>en</strong> og skriver<br />
dette kort som MA(q).<br />
I de fleste praktiske situasjoner vil antall<br />
verdier av forutgå<strong>en</strong>de restledd, dvs q,<br />
sjeld<strong>en</strong> overstige 2. I så fall sier vi at vi<br />
har <strong>en</strong> MA-prosess av andre ord<strong>en</strong> og<br />
skriver MA(2). (3) blir da slik:<br />
yt = a1 - θ1at-1 - θ2at-2 (4)<br />
Tilsvar<strong>en</strong>de vil <strong>en</strong> MA-prosess av første<br />
ord<strong>en</strong> kun ha <strong>en</strong> forutgå<strong>en</strong>de a- verdi (+<br />
at ) og bli betegnet med AR(1).<br />
I tidsserier med sesongvariasjoner kan<br />
d<strong>en</strong> glid<strong>en</strong>de gj<strong>en</strong>nomsnittsbeskrivelse<br />
lett utvides til å beskrive d<strong>en</strong> siste tidsserieverdi<strong>en</strong><br />
som <strong>en</strong> funksjon av restleddsverdier<br />
<strong>en</strong>, to, tre, ..., osv sesonger<br />
før. Da b<strong>en</strong>ytter vi store greske bokstaver<br />
med fotskrift som refererer seg til antall<br />
sesonger for parametr<strong>en</strong>e, f eks Θ1 for<br />
sesong <strong>en</strong>, og fotskrift t-s, t-2s, t-3s, ...,<br />
for støyledd<strong>en</strong>e hhv 1, 2, 3, ..., sesonger<br />
bakover. s er her sesongl<strong>en</strong>gd<strong>en</strong>.<br />
4 Autoregressiv-glid<strong>en</strong>de<br />
gj<strong>en</strong>nomsnittsprosess<br />
I praksis finnes det også mange tilfeller<br />
av tidsrekker med både AR- og MA-prosesser<br />
(såkalte ARMA-prosesser) og<br />
disse refereres ofte til som miksede eller<br />
blandede prosesser. Matematisk<br />
uttrykkes dette ved <strong>en</strong> kombinasjon av<br />
(1) og (3):<br />
y t - φ 1 y t-1 - ... - φ p y t-p<br />
= a t - θ 1 a t-1 - ... - θ q a t-q<br />
hvor φ-<strong>en</strong>e og θ-<strong>en</strong>e er som beskrevet i<br />
kapittel 3 og 4. Ved å flytte alle y-<strong>en</strong>e i<br />
forutgå<strong>en</strong>de perioder over på høyre side<br />
av likhetstegnet, får vi<br />
y t = φ 1 y t-1 + ... + φ p y t-p<br />
+ a t - θ 1 a t-1 - ... - θ q a t-q<br />
(5)<br />
(5)'<br />
Vi ser altså at y er <strong>en</strong> funksjon av p tidligere<br />
observasjoner og støyledd<strong>en</strong>e i q<br />
tidligere perioder. Vi sier da at y kan<br />
beskrives ved <strong>en</strong> ARMA-prosess av<br />
ord<strong>en</strong> p og q. Som kort form skrives dette<br />
ARMA(p,q).<br />
I praksis vil vi også her oppleve at antall<br />
parametre sjeld<strong>en</strong> overstiger 2 av hhv AR<br />
og MA. I så fall har vi sjeld<strong>en</strong> mer <strong>en</strong>n <strong>en</strong><br />
ARMA(2,2)-prosess. (5) ser da slik ut:<br />
y t - θ 1 y t-1 - θ 2 y t-2 = a t - θ 1 a t-1 - θ 2 a t-2<br />
(6)<br />
Tilsvar<strong>en</strong>de kan vi ha ARMA-prosesser<br />
med ARMA(1,2), ARMA(2,1) og<br />
ARMA(1,1). Ved lavere ord<strong>en</strong> reduseres<br />
ARMA-prosess<strong>en</strong> naturlig nok til <strong>en</strong> r<strong>en</strong><br />
AR- eller MA-prosess.<br />
5 Stasjonæritet<br />
For å beskrive avh<strong>en</strong>gighet<strong>en</strong> i <strong>en</strong> tidsserie<br />
ved hjelp av AR-, MA- eller<br />
ARMA-prosesser, må tidsseri<strong>en</strong> først<br />
være stasjonær. Et annet uttrykk for dette<br />
kan være “statistisk likevekt”. Hvis tidsseri<strong>en</strong><br />
i utgangspunktet ikke er stasjonær,<br />
må d<strong>en</strong> først transformeres eller<br />
omformes slik at d<strong>en</strong> blir det.<br />
Ut<strong>en</strong> å gå inn på d<strong>en</strong> statistiske definisjon,<br />
kan vi si at <strong>en</strong> stasjonær tidsrekke<br />
har disse eg<strong>en</strong>skap<strong>en</strong>e:<br />
- Konstant varians<br />
- Ing<strong>en</strong> tr<strong>en</strong>d: tidsseri<strong>en</strong> skal svinge<br />
rundt et konstant nivå<br />
- Ing<strong>en</strong> regulær sesongkompon<strong>en</strong>t.<br />
Vi skal nå se på hvordan vi behandler <strong>en</strong><br />
tidsrekke slik at d<strong>en</strong> blir stasjonær. Vari-<br />
(Mottatte bestillinger x 100)<br />
51<br />
41<br />
31<br />
21<br />
ans-stabilitet oppnås ved <strong>en</strong> pass<strong>en</strong>de<br />
transformasjon av data, m<strong>en</strong>s fjerning av<br />
tr<strong>en</strong>d og regulær sesongkompon<strong>en</strong>t<br />
gjøres ved differ<strong>en</strong>siering av tidsrekk<strong>en</strong>.<br />
(Metod<strong>en</strong> kan str<strong>en</strong>gt tatt også b<strong>en</strong>yttes<br />
ut<strong>en</strong> at sesongkompon<strong>en</strong>t<strong>en</strong> er fjernet.)<br />
5.1 Stabilisering av varians<strong>en</strong><br />
Ofte har tidsrekker varians som ikke er<br />
stabil over hele måleperiod<strong>en</strong>. Et<br />
eksempel er akkumulerte data; vi får i<br />
mange tilfeller øk<strong>en</strong>de varians med<br />
øk<strong>en</strong>de nivå. I så fall må vi foreta <strong>en</strong><br />
transformasjon av data, slik at varians<strong>en</strong><br />
stabiliseres. Det mest vanlige er å ta<br />
logaritm<strong>en</strong> til tidsseri<strong>en</strong>. Dette “krymper”<br />
variasjon<strong>en</strong> i observasjon<strong>en</strong>e, m<strong>en</strong> da på<br />
<strong>en</strong> slik måte at store verdier blir krympet<br />
mer <strong>en</strong>n små. Eksempel på hvilk<strong>en</strong> effekt<br />
<strong>en</strong> slik transformasjon har på et valgt<br />
datasett, er vist i figur 1.<br />
Vi ser her tidsseri<strong>en</strong> for mottatte bestillinger<br />
pr måned for hovedabonnem<strong>en</strong>t<br />
(HA) i Region Oslo i period<strong>en</strong> januar<br />
1982 <strong>–</strong> april 1991. D<strong>en</strong> er markert med<br />
d<strong>en</strong> heltrukne linj<strong>en</strong>, og verdi<strong>en</strong>e kan<br />
avleses på v<strong>en</strong>stre vertikale akse. D<strong>en</strong><br />
stiplede linj<strong>en</strong> viser d<strong>en</strong> samme tidsseri<strong>en</strong>,<br />
m<strong>en</strong> nå transformert til logaritmiske<br />
verdier som kan avleses på d<strong>en</strong> høyre<br />
vertikale akse. Vi ser at d<strong>en</strong> logaritmiske<br />
transformasjon<strong>en</strong> har medført at tidsseri<strong>en</strong>s<br />
variasjonsområde er krympet fra<br />
verdier mellom ca 1150 og ca 4150 på d<strong>en</strong><br />
vertikale aks<strong>en</strong> til v<strong>en</strong>stre, til verdier<br />
mellom ca 7 og 8,2 på d<strong>en</strong> vertikale aks<strong>en</strong><br />
In (Mottatte bestillinger)<br />
8.5<br />
11<br />
7<br />
01/82 05/84 09/86 01/89<br />
tid<br />
05/91<br />
Figur 1 Mottatte bestillinger for HA (heltrukk<strong>en</strong>) og ln til<br />
mottatte bestillinger (stiplet) januar 1982 til april 1991. Region<br />
Oslo<br />
8.2<br />
7.9<br />
7.6<br />
7.3<br />
111