Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
for <strong>en</strong> 1. ord<strong>en</strong>s og 2. ord<strong>en</strong>s AR-prosess<br />
ut<strong>en</strong> sesongsvingninger.<br />
Vi ser av figur 14 at autokorrelasjonsfunksjon<strong>en</strong><br />
kan beskrives ved at d<strong>en</strong><br />
1. er signifikant, dvs har store tallverdier,<br />
når det er lit<strong>en</strong> avstand mellom<br />
observasjon<strong>en</strong>e6 , og at d<strong>en</strong><br />
2. har form som<br />
- avtag<strong>en</strong>de ekspon<strong>en</strong>tiell utvikling<br />
- avtag<strong>en</strong>de ekspon<strong>en</strong>tiell utvikling<br />
med skift<strong>en</strong>de fortegn<br />
- dempet sinus-kurve (bølgeform).<br />
Vi ser også at det i tilfellet med avtag<strong>en</strong>de<br />
ekspon<strong>en</strong>tiell utvikling og avtag<strong>en</strong>de<br />
ekspon<strong>en</strong>tiell utvikling med skift<strong>en</strong>de<br />
fortegn er umulig å si om autokorrelasjonsfunksjon<strong>en</strong><br />
beskriver <strong>en</strong> AR(1)<br />
eller <strong>en</strong> AR(2). Det er her d<strong>en</strong> partielle<br />
autokorrelasjonsfunksjon<strong>en</strong> hjelper oss:<br />
Vi ser av figur 14 at d<strong>en</strong> partielle autokorrelasjonsfunksjon<strong>en</strong><br />
kan beskrives<br />
ved at d<strong>en</strong><br />
1. bare er signifikant i avstand 1 for <strong>en</strong><br />
AR(1)-prosess og bare er signifikant i<br />
avstand 1 og 2 for <strong>en</strong> AR(2)-prosess.<br />
Dessut<strong>en</strong> at d<strong>en</strong><br />
2. ikke følger noe fast mønster.<br />
Med andre ord kan d<strong>en</strong> partielle autokorrelasjonsfunksjon<strong>en</strong><br />
hjelpe oss til å skille<br />
mellom <strong>en</strong> AR(1)-prosess og <strong>en</strong> AR(2)prosess.<br />
I figur 15 er d<strong>en</strong> teoretiske autokorrelasjonsfunksjon<strong>en</strong><br />
og d<strong>en</strong> teoretiske partielle<br />
autokorrelasjonsfunksjon<strong>en</strong> skissert<br />
for <strong>en</strong> 1. ord<strong>en</strong>s og 2. ord<strong>en</strong>s AR-prosess<br />
for sesongsvingninger.<br />
Vi ser at autokorrelasjonsfunksjon<strong>en</strong> og<br />
d<strong>en</strong> partielle autokorrelasjon<strong>en</strong> i tilfellet<br />
med sesongsvingninger kan beskrives på<br />
d<strong>en</strong> samme måt<strong>en</strong> som i tilfellet hvor det<br />
ikke var sesongsvingninger, bortsett fra<br />
at det er i avstander som tilsvarer sesongperiod<strong>en</strong>e.<br />
Figur 14 og 15 beskriver kun prosesser<br />
opp til 2. ord<strong>en</strong>. Dette er fordi det i de<br />
fleste praktiske situasjoner er <strong>en</strong>t<strong>en</strong> 1.<br />
eller 2. ord<strong>en</strong>s prosesser vi finner i tidsrekker.<br />
I tillegg er det slik at 3. ord<strong>en</strong>s<br />
prosesser og høyere kan beskrives ved<br />
hjelp av <strong>en</strong> kombinasjon av 1. ord<strong>en</strong>s<br />
6 Gr<strong>en</strong>s<strong>en</strong>e for 2 ganger standardavviket<br />
er ikke tegnet inn her, sid<strong>en</strong> de<br />
avh<strong>en</strong>ger av antallet av faktiske<br />
observasjoner, ref formel (14).<br />
og/eller 2. ord<strong>en</strong>s autoregressive prosesser.<br />
6.3.2 D<strong>en</strong> teoretiske autokorrelasjonsfunksjon<br />
og partielle<br />
autokorrelasjonsfunksjon for<br />
<strong>en</strong> MA-prosess<br />
I figur 16 er d<strong>en</strong> teoretiske autokorrelasjonsfunksjon<strong>en</strong><br />
og d<strong>en</strong> teoretiske partielle<br />
autokorrelasjonsfunksjon<strong>en</strong> skissert<br />
Korrelasjonsverdi<br />
Autokorrelasjonsfunksjon<strong>en</strong><br />
s 3s<br />
2s 4s<br />
s 2s 3s 4s<br />
s 3s<br />
2s 4s<br />
2s 3s<br />
s 4s<br />
5s s 2s<br />
5s<br />
Avstand mellom observasjon<strong>en</strong>e<br />
D<strong>en</strong> partielle<br />
autokorrelasjonsfunksjon<strong>en</strong><br />
Førsteord<strong>en</strong>s prosess, AR(1): W t =φ 1 W t-s +a t<br />
s 2s 3s 4s 5s<br />
Andreord<strong>en</strong>s prosess, AR(2): W t =φ 1 W t-1 +φ 2 W t-2 +a t<br />
5s<br />
s 4s 5s<br />
2s 3s<br />
5s<br />
for <strong>en</strong> 1. ord<strong>en</strong>s og 2. ord<strong>en</strong>s MA-prosess<br />
ut<strong>en</strong> sesongsvingninger.<br />
Vi ser av figur 16 at autokorrelasjonsfunksjon<strong>en</strong><br />
kan beskrives ved at d<strong>en</strong><br />
1. er signifikant bare for avstand 1 for 1.<br />
ord<strong>en</strong>s prosess og<br />
2. er signifikant bare for avstand 1 og 2<br />
for 2. ord<strong>en</strong>s prosess.<br />
Figur 15 Teoretiske korrelasjonsfunksjoner for AR-prosesser som beskriver sesongsvingninger<br />
s<br />
s<br />
s<br />
s<br />
s<br />
2s<br />
2s<br />
2s<br />
117