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.
114<br />
AR-parametre og q MA-parametre<br />
beskrives kort slik: ARIMA(p,d,q).<br />
Hvis det i tillegg er behov for å modellere<br />
sesongsvingninger, er d<strong>en</strong> g<strong>en</strong>erelle<br />
kortversjon<strong>en</strong>: ARIMA(p,d,q)X(P,D,Q).<br />
Her referer p, d og q til d<strong>en</strong> sesonguavh<strong>en</strong>gige<br />
del<strong>en</strong> av modell<strong>en</strong>, slik som i<br />
avsnittet ov<strong>en</strong>for. P, D og Q i d<strong>en</strong> andre<br />
par<strong>en</strong>tes<strong>en</strong> beskriver d<strong>en</strong> sesongmessige<br />
del<strong>en</strong> av modell<strong>en</strong>: P AR-parametere for<br />
beskrivelse av sesong, D sesongdiffer<strong>en</strong>sieringer<br />
og Q MA-parametere for<br />
beskrivelse av sesong.<br />
a) ikke-stasjonær tidsrekke ut<strong>en</strong><br />
sesongsvingninger<br />
1<br />
0<br />
-1<br />
0<br />
-1<br />
0<br />
1<br />
0<br />
-1<br />
2 4<br />
10 20<br />
6 8 10<br />
Figur 8 Eksempel på autokorrelasjonsplott<br />
b) tidsrekke med ikke-stasjonære<br />
sesongsvingninger<br />
1<br />
S 2S 3S<br />
c) tidsrekke med ikke-stasjonære<br />
sesongsvingninger<br />
1<br />
S 2S 3S<br />
-1<br />
Figur 9 Teoretisk form på autokorrelasjonsfunksjon<strong>en</strong><br />
for ikke-stasjonære tidsrekker<br />
2σ<br />
lag<br />
-2σ<br />
2σ<br />
lag<br />
-2σ<br />
2σ<br />
lag<br />
-2σ<br />
2σ<br />
lag<br />
-2σ<br />
6 Autokorrelasjonsfunksjon<strong>en</strong><br />
Vi har i kapittel 5 vist hvordan vi kan få<br />
<strong>en</strong> tidsrekke til å bli stasjonær ved hjelp<br />
av transformasjon av data og differ<strong>en</strong>siering.<br />
Ev<strong>en</strong>tuelt behov for transformasjon<br />
kan id<strong>en</strong>tifiseres vha variasjonsgj<strong>en</strong>nomsnitts-plottet.<br />
Ut over <strong>en</strong> visuell<br />
betrakting av data, sa vi imidlertid ing<strong>en</strong>ting<br />
om hvordan behovet for differ<strong>en</strong>siering<br />
kunne avdekkes presist.<br />
Bruk av autokorrelasjonsfunksjon<strong>en</strong> er<br />
her s<strong>en</strong>tral. D<strong>en</strong> måler avh<strong>en</strong>gighet<strong>en</strong><br />
mellom observasjon<strong>en</strong>e i ulik tidsavstand,<br />
fra avstand 1 til k, og kan beregnes<br />
som følger:<br />
1. Beregn autokovarians<strong>en</strong> mellom alle<br />
observasjon<strong>en</strong>e i tidsavstand 1, gitt ved<br />
C1 =<br />
(10)<br />
hvor<br />
N = antall observasjoner vi har til rådighet<br />
y = d<strong>en</strong> variabel vi analyserer (f eks<br />
mottatte bestillinger)<br />
t = tidspunkt<br />
1<br />
N ( yt − y )( y N<br />
∑<br />
t+1 − y )<br />
t=1<br />
y = 1<br />
N y N<br />
∑ t<br />
t=1<br />
2. Beregn varians<strong>en</strong> til tidsseri<strong>en</strong>, gitt ved<br />
C0 =<br />
(11)<br />
3. Beregn autokorrelasjonsfunksjon<strong>en</strong> i<br />
avstand 1 (lag 1), gitt ved<br />
1<br />
N ( y N<br />
∑ t − y )2<br />
t=1<br />
r1 =<br />
(12)<br />
4. Gj<strong>en</strong>ta steg 1. og 2. for observasjoner i<br />
avstand 2, 3, 4, ..., k, dvs beregn<br />
verdier for r2 , r3 , r4 , ..., rk . Autokorrelasjonsfunksjon<strong>en</strong>s<br />
g<strong>en</strong>erelle form<br />
blir:<br />
C1 C0 r k =<br />
(13)<br />
5. Beregn standardavviket til autokorrelasjonsfunksjon<strong>en</strong>,<br />
gitt ved<br />
Ck C0 N<br />
∑(<br />
yt − y ) ( yt+k − y )<br />
t=1 =<br />
( yt − y ) 2<br />
N<br />
∑<br />
t=1<br />
σ = 1<br />
n<br />
(14)<br />
Autokorrelasjonsfunksjon<strong>en</strong> er <strong>en</strong> normalisert<br />
variabel som antar verdier mellom<br />
-1 og 1.<br />
For id<strong>en</strong>tifikasjon og testing av m<strong>en</strong>ingsfylte<br />
autokorrelasjoner testes disse<br />
mot 2 ganger standardavviket (σ) 3 .<br />
Det vanlige er å plotte verdi<strong>en</strong>e til autokorrelasjonsfunksjon<strong>en</strong><br />
langs <strong>en</strong> akse,<br />
med øk<strong>en</strong>de avstand mellom observasjon<strong>en</strong>e.<br />
Figur 8 viser et eksempel på et slikt<br />
autokorrelasjonsplott.<br />
Vi ser her at autokorrelasjonsfunksjon<strong>en</strong><br />
er plottet opp til avstand 11. I tillegg er<br />
verdi<strong>en</strong> til 2 ganger standardavviket til<br />
autokorrelasjon<strong>en</strong>e markert ved d<strong>en</strong><br />
stiplede linj<strong>en</strong>.<br />
6.1 Id<strong>en</strong>tifikasjon av<br />
ikke-stasjonæritet<br />
Ikke-stasjonære tidsrekker kan avdekkes<br />
ved hjelp av “form<strong>en</strong>” på autokorrelasjonsfunksjon<strong>en</strong>:<br />
1. For <strong>en</strong> ikke-stasjonær tidsrekke ut<strong>en</strong><br />
sesongsvingninger vil autokorrelasjonsfunksjon<strong>en</strong><br />
- ha positive verdier<br />
- være stor i tallverdi<br />
- avta sakte i tallverdi ettersom avstand<strong>en</strong><br />
mellom observasjon<strong>en</strong>e<br />
øker.<br />
2. For <strong>en</strong> tidsrekke med ikke-stasjonære<br />
sesongsvingninger vil autokorrelasjonsfunksjon<strong>en</strong><br />
i avstander som refererer<br />
seg til sesong<strong>en</strong>e<br />
- ha positive verdier<br />
- være stor i tallverdi<br />
- avta sakte i tallverdi ettersom<br />
avstand<strong>en</strong> mellom sesong<strong>en</strong>e øker.<br />
D<strong>en</strong> teoretiske form<strong>en</strong> på autokorrelasjonsfunksjon<strong>en</strong><br />
for disse tilfell<strong>en</strong>e er vist<br />
i figur 9.<br />
S tilsvarer sesong-l<strong>en</strong>gd<strong>en</strong> i figur 9, dvs<br />
12 (måneder) slik figur<strong>en</strong> er tegnet.<br />
Ofte kan det være vanskelig å tolke et<br />
autokorrelasjonsplott med h<strong>en</strong>blikk på å<br />
avdekke ikke-stasjonæritet fordi:<br />
3 Standardavviket (σ) gitt i (14) er <strong>en</strong> tilnærming<br />
til det statistisk korrekte<br />
uttrykk for dette. (14) underestimerer<br />
d<strong>en</strong> sanne verdi<strong>en</strong> av σ, m<strong>en</strong> dette er<br />
<strong>en</strong> fordel når id<strong>en</strong>tifikasjon og modellsjekking<br />
skal utføres.