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.
I tillegg ser vi to andre signifikante autokorrelasjoner,<br />
i avstand 32 og 44. Disse<br />
må i imidlertid anses som tilfeldige.<br />
Husk at normalt vil 1 av 20 være tilfeldige,<br />
se kapittel 6.3. Dette tillater ca 2 <strong>–</strong> 3<br />
tilfeldige signifikante autokorrelasjoner<br />
når vi ser på 50 av dem, slik som i figur<br />
13.<br />
I figur 18 ser vi d<strong>en</strong> partielle autokorrelasjonsfunksjon<strong>en</strong><br />
for d<strong>en</strong> samme tidsrekk<strong>en</strong><br />
som i figur 13. Vi ser tydelig d<strong>en</strong><br />
avtag<strong>en</strong>de ekspon<strong>en</strong>tielle form<strong>en</strong> i<br />
avstand<strong>en</strong>e 1 <strong>–</strong> 8. En slik “kort” avtag<strong>en</strong>de<br />
ekspon<strong>en</strong>tiell form er <strong>en</strong> indikasjon<br />
på <strong>en</strong> MA(1)-prosess, se figur 16.<br />
Går vi til sesong-verdi<strong>en</strong>e er det ikke helt<br />
klart at disse indikerer <strong>en</strong> MA(1)-prosess<br />
slik som vi så i autokorrelasjonsfunksjon<strong>en</strong>.<br />
I dette tilfellet ville det derfor<br />
være lurt å modellere og estimere <strong>en</strong><br />
modell ut<strong>en</strong> prosesser for sesongbeskrivelse,<br />
og deretter se på autokorrelasjonsfunksjon<strong>en</strong><br />
og d<strong>en</strong> partielle autokorrelasjonsfunksjon<strong>en</strong><br />
for de “nye” restledd<strong>en</strong>e.<br />
I mange tilfeller vil ev<strong>en</strong>tuelle tilslørte<br />
prosesser da tre tydeligere fram.<br />
7 Estimering<br />
Estimering<strong>en</strong> finner optimale7 verdier til<br />
de id<strong>en</strong>tifiserte parametr<strong>en</strong>e i <strong>en</strong> modell.<br />
I Box-J<strong>en</strong>kins metode er dette <strong>en</strong> iterativ<br />
prosess som minimerer kvadratsumm<strong>en</strong><br />
av restledd<strong>en</strong>e, dvs at . For å utføre dette<br />
brukes <strong>en</strong> ikke-lineær minste kvadraters<br />
algoritme. D<strong>en</strong> iterative prosess<strong>en</strong><br />
stopper når <strong>en</strong>dring<strong>en</strong> i parameterverdi<strong>en</strong>e<br />
oppnår <strong>en</strong> på forhånd satt minimumsverdi.<br />
Vi har ikke til h<strong>en</strong>sikt å gå inn på selve<br />
metod<strong>en</strong> her. D<strong>en</strong> interesserte leser h<strong>en</strong>vises<br />
til [2].<br />
7.1 Eksempel<br />
I kapittel 6.4 id<strong>en</strong>tifiserte vi modell<strong>en</strong><br />
(18) ved hjelp av autokorrelasjonsfunksjon<strong>en</strong>.<br />
Bedømmelse av d<strong>en</strong> partielle<br />
autokorrelasjonsfunksjon<strong>en</strong> gav imidlertid<br />
ikke helt klarhet i hvorvidt sesongparameter<strong>en</strong><br />
Θ1 burde innlemmes i modell<strong>en</strong>.<br />
Vi estimerer derfor først modell<strong>en</strong><br />
wt = at - θ1at-1 (19)<br />
Estimeringsresultatet gir verdi<strong>en</strong> 0,8545<br />
for θ 1 , med et estimert standardavvik på<br />
7 Optimale i forhold til d<strong>en</strong> tidsrekk<strong>en</strong> vi<br />
forsøker å modellere.<br />
0,0567. Innsatt i (16) gir dette følg<strong>en</strong>de<br />
modell:<br />
wt = at - 0,8545at-1 (20)<br />
8 Modellsjekking<br />
Målet med modellsjekking er å avdekke<br />
hvorvidt d<strong>en</strong> estimerte modell<strong>en</strong> gir <strong>en</strong><br />
god beskrivelse av tidsrekk<strong>en</strong>s utvikling<br />
og hvor god d<strong>en</strong> er til å lage prognoser<br />
med. Vi skal her se på de viktigste.<br />
Korrelasjonsverdi<br />
Autokorrelasjonsfunksjon<strong>en</strong><br />
s<br />
s<br />
s<br />
s<br />
s<br />
s<br />
2s<br />
2s<br />
2s<br />
2s<br />
8.1 Parameterestimat<strong>en</strong>e og de<br />
estimerte standardavvik<br />
Det er i utgangspunktet ønskelig at alle<br />
parameterestimater er statistisk signifikante.<br />
En vanlig måte å teste dette på er<br />
ved de såkalte t-verdier, som er verdi<strong>en</strong><br />
av parameterestimatet dividert med det<br />
estimerte standardavvik. En tommelfingerregel<br />
for d<strong>en</strong> såkalte t-test<strong>en</strong> sier da:<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, MA(1): W t =a t -φ 1 a t-1<br />
s 2s 3s 4s 5s<br />
s 3s 5s<br />
Andreord<strong>en</strong>s prosess, MA(2): W t =a t -φ 1 a t-1 -φ 2 a t - 2<br />
s 2s 3s 4s<br />
s<br />
s<br />
2s 4s<br />
2s<br />
2s<br />
3s<br />
3s<br />
4s<br />
4s<br />
5s<br />
5s<br />
5s<br />
s 4s 5s<br />
2s 3s<br />
Figur 17 Teoretiske korrelasjonsfunksjoner for MA-prosesser som beskriver sesongsvingninger<br />
119