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.
ln M<br />
⎛ 1 ⎞<br />
⎛ ⎞ g<br />
⎜<br />
⎜<br />
⎝ y<br />
⎟ −1⎟<br />
= a + b ⋅t + c ⋅ Bef<br />
⎜ t ⎠ ⎟<br />
⎝ ⎠<br />
(4)<br />
Som vi ser av (4) er nå høyresid<strong>en</strong> i d<strong>en</strong>ne<br />
likning<strong>en</strong> lineær i a, b og c. Vi har med<br />
andre ord oppnådd å transformere d<strong>en</strong><br />
ikke-lineære modell<strong>en</strong> (2) til <strong>en</strong> lineær<br />
modell, og da kan vi b<strong>en</strong>ytte lineær regresjon<br />
for å estimere a, b, og c.<br />
Ser vi på v<strong>en</strong>stre side av (4), er dette et<br />
relativt komplisert uttrykk. Vi kj<strong>en</strong>ner<br />
imidlertid verdi<strong>en</strong>e for y, M og g. M og g<br />
er konstanter og for hver verdi av y får vi<br />
<strong>en</strong> verdi for “v<strong>en</strong>stre side”. Dermed kan<br />
v<strong>en</strong>stre side oppfattes som <strong>en</strong> eg<strong>en</strong> variabel<br />
som vi kan kalle y*. (4) kan da<br />
skrives som:<br />
y* = a + b⋅t + c⋅Bef (5)<br />
der<br />
y* = ln M<br />
y t<br />
⎛ 1 ⎞<br />
⎛ ⎞ g<br />
⎜ ⎟<br />
⎜⎜<br />
⎟ −1⎟<br />
⎜⎝<br />
⎠ ⎟<br />
⎝ ⎠<br />
Likning (5) blir altså regresjonslikning<strong>en</strong><br />
(med tillegg av et støyledd) som b<strong>en</strong>yttes<br />
til estimering av a, b og c.<br />
Tilsvar<strong>en</strong>de transformasjon gjøres også<br />
før a og b estimeres i modell<strong>en</strong> for forretningsabonnem<strong>en</strong>ts-etterspørsel<strong>en</strong>,<br />
(3). På<br />
tilsvar<strong>en</strong>de måte får vi da:<br />
y* = a + b⋅t (6)<br />
der y* er det samme som for (5) ov<strong>en</strong>for<br />
(m<strong>en</strong> med de verdier for y, M og g som<br />
tilhører (3)). Dette blir altså regresjonslikning<strong>en</strong><br />
som b<strong>en</strong>yttes for estimering av<br />
a og b i (3) (med tillegg av et støyledd).<br />
Det lar seg også gjøre å estimere direkte<br />
på (2) og (3). Da må vi imidlertid b<strong>en</strong>ytte<br />
ikke-lineære estimeringsmetoder, som er<br />
kompliserte og i praksis må spesialkonstrueres<br />
til d<strong>en</strong>ne modellform<strong>en</strong>. I<br />
Region Oslo b<strong>en</strong>ytter vi oss ikke av slike<br />
metoder, sid<strong>en</strong> vi i dette tilfellet kan<br />
“lineær-transformere” modell<strong>en</strong>e.<br />
Etter at parametr<strong>en</strong>e a, b, og c i (5) og a<br />
og b i (6) er estimert, settes disse verdi<strong>en</strong>e<br />
inn i (2) og (3). Dermed kan vi<br />
sjekke hvor godt modell<strong>en</strong> beskriver d<strong>en</strong><br />
historiske utvikling. Med framtidige<br />
anslag for t (d<strong>en</strong> er sikker) og Bef (dette<br />
er <strong>en</strong> prognose med <strong>en</strong> viss usikkerhet)<br />
kan vi så lage modellprognoser for de to<br />
abonnem<strong>en</strong>ts-etterspørsel<strong>en</strong>e.<br />
Det programmet vi b<strong>en</strong>ytter, gir <strong>en</strong><br />
utskrift som er vist i tabell 5.<br />
Tabell 5 viser, forut<strong>en</strong> historiske data og<br />
prognoser for abonnem<strong>en</strong>tsutvikling<strong>en</strong><br />
fordelt på bolig- og forretningsabonnem<strong>en</strong>t,<br />
også no<strong>en</strong> modelltekniske<br />
indikatorer:<br />
- Parameterestimat for ALFA (konstant<strong>en</strong><br />
a i nevnernes ekspon<strong>en</strong>t, se<br />
modell<strong>en</strong>e (2) og (3)<br />
- BETA1 (angir modell<strong>en</strong>es vektlegging<br />
av tid<strong>en</strong> som forklaringsfaktor, ref<br />
parameter b i nevnernes ekspon<strong>en</strong>t)<br />
- BETA2 (angir boligabonnem<strong>en</strong>tsmodell<strong>en</strong>s<br />
vektlegging av befolkningsutvikling<strong>en</strong><br />
som forklaringsfaktor, ref<br />
konstant<strong>en</strong> c i (2)<br />
- D<strong>en</strong> multiple korrelasjonskoeffisi<strong>en</strong>t<br />
(R^2) og<br />
- Standardavviket rundt regresjonslinj<strong>en</strong><br />
(3) og regresjonsplanet (2), (S).<br />
Som vi ser, viser begge modell<strong>en</strong>e meget<br />
god tilpasning til historiske data, med<br />
R^2 godt over 0,99. Dessut<strong>en</strong> viser<br />
standardavvik<strong>en</strong>e, S, meget tilfredsstill<strong>en</strong>de<br />
verdier i forhold til verdi<strong>en</strong>e i data.<br />
Statistiske indikatorer utover dette må vi<br />
søke i andre statistikkpakker. Vi går<br />
imidlertid ikke dypere inn på dette her.<br />
Modell<strong>en</strong> for boligabonnem<strong>en</strong>ts-etterspørsel<br />
ser nå slik ut, når vi setter inn<br />
verdi<strong>en</strong>e for konstant<strong>en</strong>e M og g og de<br />
estimerte parametre:<br />
400000<br />
yt =<br />
(1 + e 13,94508−0,00002Bef ) 20000<br />
Modell<strong>en</strong> for forretningsabonnem<strong>en</strong>tsetterspørsel<br />
ser slik ut, når vi setter inn<br />
verdi<strong>en</strong>e for konstant<strong>en</strong>e M og g og de<br />
estimerte parametre:<br />
250000<br />
yt =<br />
(1 + e 130,445−0,07075t ) 20000<br />
(7)<br />
(8)<br />
Ser vi på verdi<strong>en</strong>e for de estimerte parametr<strong>en</strong>e<br />
blir vi fort slått av de lave og<br />
negative verdi<strong>en</strong>e for BETA-<strong>en</strong>e. Spesielt<br />
er boligabonnem<strong>en</strong>ts-modell<strong>en</strong>s<br />
BETA2 svært lav (-0,00002).<br />
Fortegnet på BETA-<strong>en</strong>e er i begge modell<strong>en</strong>e<br />
“riktig” bestemt. At dette er tilfellet<br />
kan vi se direkte av f eks (2): Med<br />
positive verdier på b og c, vil ekspon<strong>en</strong>t<strong>en</strong><br />
i nevner<strong>en</strong> stadig vokse når t og<br />
Bef vokser. Dermed vokser også hele<br />
nevner<strong>en</strong> med øk<strong>en</strong>de verdier på t og Bef.<br />
At nevner<strong>en</strong> i <strong>en</strong> brøk stadig vokser,<br />
betyr at hele brøk<strong>en</strong>, når teller<strong>en</strong> er <strong>en</strong><br />
konstant, går mot null! Er imidlertid b og<br />
c negative, betyr det at ekspon<strong>en</strong>t<strong>en</strong> i<br />
Tabell 4 Befolkningsm<strong>en</strong>gd<strong>en</strong> (18+) og<br />
beregnet fordeling av TAT på bolig og forretning.<br />
Region Oslo<br />
Region Oslo<br />
År Befolk- Bolig- Forr.<br />
ning abonn. abonn.<br />
1982 513820 245517 82324<br />
1983 516714 255298 86692<br />
1984 521602 266186 90744<br />
1985 527573 278119 98744<br />
1986 533344 289505 106494<br />
1987 539041 300222 112850<br />
1988 543481 306219 119421<br />
1989 546049 311314 125079<br />
1990 550376 317111 131347<br />
nevner<strong>en</strong> avtar med voks<strong>en</strong>de verdier på<br />
t og Bef. Da går e opphøyd i ekspon<strong>en</strong>t<strong>en</strong><br />
mot null og dermed hele nevner<strong>en</strong> mot 1.<br />
D<strong>en</strong> totale effekt<strong>en</strong> på (2) blir m a o at<br />
funksjon<strong>en</strong> går mot M (og det er jo m<strong>en</strong>ing<strong>en</strong>!).<br />
At verdi<strong>en</strong>e er så små (i absoluttverdi) er<br />
også “riktig” fordi nivået på verdi<strong>en</strong>e til<br />
forklaringsfaktor<strong>en</strong>e er høye: D<strong>en</strong><br />
estimerte parameter skal multipliseres<br />
med d<strong>en</strong> tilhør<strong>en</strong>de forklaringsfaktor når<br />
modelltilpasning og prognoser skal<br />
regnes ut.<br />
I tillegg gir utskrift<strong>en</strong> <strong>en</strong> <strong>oversikt</strong> over<br />
region<strong>en</strong>s historiske og prognostiserte<br />
utvikling for total etterspørsel etter TAT<br />
fordelt på bolig og forretning, SSBs historiske<br />
og prognostiserte befolkningsutvikling,<br />
boligabonnem<strong>en</strong>tstetthet<strong>en</strong><br />
(Bol/Bef) og totaltilknyttingstetthet<strong>en</strong><br />
(Tot/Bef).<br />
2.3 Holt-Winters metode<br />
Som nevnt er det også utviklet modeller<br />
for d<strong>en</strong> månedlige etterspørsel etter<br />
abonnem<strong>en</strong>t. G<strong>en</strong>erelt er dette viktig<br />
fordi vi da utnytter informasjon utover<br />
det som årsdata gir oss. Spesielt viktig er<br />
dette ved revisjon<strong>en</strong> av prognos<strong>en</strong>e etter<br />
halvgått år. Da bidrar ikke årsdata med<br />
ytterligere informasjon: Det er i månedsutvikling<strong>en</strong><br />
vi må søke hjelp.<br />
Vi har her valgt å vise et eksempel med<br />
Holt-Winters additive modell2 . På g<strong>en</strong>erell<br />
form kan d<strong>en</strong>ne prognosemodell<strong>en</strong><br />
skrives som:<br />
137