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.
168<br />
der<br />
ˆσ β* =<br />
ˆσ =<br />
ˆy t = ˆα + ˆ βZ t<br />
(3.15)<br />
(3.16)<br />
De beregnede standardavvik for ˆα og<br />
βˆ<br />
blir da:<br />
ˆσ α = ˆσ α*<br />
S<br />
⎛ S<br />
2⎞<br />
S⎜ ∑ Z<br />
t ⎟<br />
⎝ t=1 ⎠<br />
(3.14)<br />
− Z 2<br />
⎛ S ⎞<br />
⎜ ∑ t ⎟<br />
⎝ t=1 ⎠<br />
ˆσ<br />
( ) 2<br />
1 S<br />
∑ yt − ˆy t<br />
S − 2 t=1<br />
(3.17)<br />
(3.18)<br />
Ved bruk av utvidels<strong>en</strong> av Wrights lærekurvemodell<br />
med to parametere vil de<br />
angitte formler for standardavvik være<br />
nedre gr<strong>en</strong>se fordi observasjon<strong>en</strong>e ikke<br />
er uavh<strong>en</strong>gige, da de er akkumulerte<br />
verdier.<br />
Dersom vi imidlertid bruker Crawfords<br />
lærekurvemodell med d<strong>en</strong> utvidels<strong>en</strong> som<br />
er foreslått med to parametere, vil de<br />
observasjon<strong>en</strong>e som ligger til grunn være<br />
uavh<strong>en</strong>gige, og de estimerte standardavvik<br />
kan da brukes direkte.<br />
Dersom det eksisterer rimelig mange observasjoner,<br />
vil et intervall på to ganger<br />
standardavviket til hver side for estimert<br />
parameterverdi angi et tilnærmet 95 %<br />
konfid<strong>en</strong>sintervall. Dette intervallet angir<br />
da usikkerhet<strong>en</strong> i de estimerte parameterverdi<strong>en</strong>.<br />
Ved få observasjoner b<strong>en</strong>yttes<br />
97,5 % fraktil<strong>en</strong> (ts-2, 0,975 ) isted<strong>en</strong>for<br />
deling<strong>en</strong> med s-2 frihetsgrader som <strong>en</strong><br />
multiplikator til estimert standardavvik.<br />
95 % konfid<strong>en</strong>sintervall blir da:<br />
ˆσ β = e ˆσβ*<br />
Iα ,0,95 =<br />
ˆα − t ˆσ S−2,0,975 α , ˆα + t ˆσ S−2,0,975 α<br />
[ ]<br />
Iβ ,0,95 =<br />
ˆβ − t ˆσ S−2,0,975 β , ˆ β + t ˆσ S−2,0,975 β<br />
[ ]<br />
(3.19)<br />
(3.20)<br />
Etter hvert som observasjon<strong>en</strong>e i (3.2)<br />
fremkommer, kan lærekurv<strong>en</strong>e bestemmes<br />
ved estimering av α og β.<br />
Deretter kan standardavvik og konfid<strong>en</strong>sintervall<br />
beregnes. Dette gir oss<br />
mulighet til å se hvor signifikante verdi<strong>en</strong>e<br />
på og er.<br />
ˆ ˆα β<br />
4 Modell for prognoser på<br />
pris på nettkompon<strong>en</strong>ter<br />
som funksjon av tid<strong>en</strong><br />
Hittil har vi sett på utvikling<strong>en</strong> av pris på<br />
<strong>en</strong> nettkompon<strong>en</strong>t som funksjon av produksjonsvolumet.<br />
Det som er <strong>en</strong>da mer<br />
interessant, er å finne <strong>en</strong> modell for<br />
d<strong>en</strong>ne pris<strong>en</strong> som funksjon av tid<strong>en</strong>.<br />
For å kunne bruke de utvidede Wrights<br />
og Crawfords lærekurvemodeller med to<br />
parametere er det nødv<strong>en</strong>dig å føre inn <strong>en</strong><br />
prognosemodell. La totalt (akkumulert)<br />
antall produserte <strong>en</strong>heter ved tidspunkt t<br />
være gitt ved n(t). De observasjoner som<br />
er kj<strong>en</strong>t, er:<br />
n(1), n(2), ..., n(s) (4.1)<br />
Ut fra observasjon<strong>en</strong>e kan det nå lages <strong>en</strong><br />
prognose for akkumulert antall produserte<br />
<strong>en</strong>heter. Hvis s er forholdsvis stor,<br />
kan vi bruke tradisjonelle prognosemodeller<br />
til prognostisering<strong>en</strong>. Aktuelle prognosemodeller<br />
er:<br />
- Enkel regresjonsmodell<br />
- Multippel regresjonsmodell<br />
- Holt glattingsmodell<br />
- Holt-Winters glattingsmodell<br />
- Tidsrekkemodeller med eller ut<strong>en</strong><br />
sesongkompon<strong>en</strong>ter<br />
- Transfermodeller<br />
- Kalmanfiltermodeller<br />
- Metningsmodeller.<br />
Prognoser for akkumulert produksjonsvolum<br />
ved tidspunkt T ved bruk av d<strong>en</strong><br />
prognosemodell som passer best til dataunderlaget<br />
betegnes med<br />
(4.2)<br />
ˆn(T )<br />
Ved å sette d<strong>en</strong>ne størrels<strong>en</strong> inn i likning<br />
(3.1) samm<strong>en</strong> med de estimerte parametr<strong>en</strong>e<br />
fra likning (3.11) og (3.12) fås:<br />
ˆ P (n)T = ˆα ˆn(T ) ˆ β<br />
ˆ P n(T )<br />
(4.3)<br />
Her er da prognostisert pris på d<strong>en</strong><br />
aktuelle nettkompon<strong>en</strong>t<strong>en</strong> ved tidspunkt<br />
T.<br />
På analog måte finnes prisprognoser for<br />
d<strong>en</strong> aktuelle nettkompon<strong>en</strong>t ved bruk av<br />
Crawfords utvidete modell.<br />
5 Prisprognoser på nettkompon<strong>en</strong>ter<br />
når dataunderlaget<br />
er begr<strong>en</strong>set<br />
I de tilfeller hvor nye nettkompon<strong>en</strong>ter<br />
introduseres, vil det være et spinkelt<br />
dataunderlag. Dersom det kun er <strong>en</strong> produksjonsserie<br />
og vi har <strong>en</strong> observasjon,<br />
er det ikke mulig å b<strong>en</strong>ytte utvidelse av<br />
Wrights og Crawfords lærekurvemodeller,<br />
som jo er basert på to parametere.<br />
M<strong>en</strong> med <strong>en</strong> gang vi har to eller flere<br />
observasjoner kan dette gjøres.<br />
Anta at vi er i introduksjonsfas<strong>en</strong> av <strong>en</strong><br />
ny nettkompon<strong>en</strong>t og at vi har no<strong>en</strong> få<br />
observasjoner. Da vil vi kunne b<strong>en</strong>ytte de<br />
modeller som er utviklet i kapittel 3 til<br />
estimering av pris som funksjon av produksjonsvolum.<br />
Når det gjelder prognose for produksjonsvolum,<br />
vil det være naturlig å ta<br />
utgangspunkt i <strong>en</strong> modell i klass<strong>en</strong> av<br />
metningsmodeller. D<strong>en</strong> mest brukte er<br />
d<strong>en</strong> Logistiske modell<strong>en</strong>.<br />
D<strong>en</strong> Logistiske modell<strong>en</strong> brukes gjerne<br />
for å beskrive startfas<strong>en</strong> av et produkts<br />
utvikling eller sluttfas<strong>en</strong> når produktet<br />
nærmer seg metning. D<strong>en</strong> Logistiske<br />
modell<strong>en</strong> er gitt ved:<br />
n(t) = M(1 + ea+bt ) -g (5.1)<br />
der<br />
n(t) er akkumulert antall <strong>en</strong>heter ved<br />
tidspunk t<br />
M er markedspot<strong>en</strong>sialet<br />
a, b, g er parametere i modell<strong>en</strong>.<br />
Utgangspunktet er nå at s observasjoner,<br />
se 4.1, er kj<strong>en</strong>te. Ut fra dette skal de fire<br />
parametr<strong>en</strong>e M, a, b og g estimeres. Dersom<br />
s er lit<strong>en</strong>, kan det være nødv<strong>en</strong>dig å<br />
fastsette verdier på M og g. g kan ut fra<br />
erfaring [6] velges som et høyt tall, m<strong>en</strong>s<br />
M må anslås lik et forv<strong>en</strong>tet markedspot<strong>en</strong>sial.<br />
Ved å foreta <strong>en</strong> lineær transformasjon<br />
kan a og b estimeres ved minste kvadraters<br />
metode.<br />
Det er imidlertid ikke mulig å b<strong>en</strong>ytte<br />
minste kvadrats metode til å estimere alle<br />
fire parametr<strong>en</strong>e simultant. I [6] er det<br />
imidlertid vist <strong>en</strong> rekursiv iterasjonsprosedyre<br />
som kan b<strong>en</strong>yttes til å estimere<br />
alle fire parametr<strong>en</strong>e i modell<strong>en</strong> (5.1).<br />
Dermed vil:<br />
ˆn(T )= ˆ M 1 + e â+ ˆ − ˆg<br />
⎛ bT ⎞<br />
⎜ ⎟<br />
⎝ ⎠<br />
(5.2)