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.
24<br />
20<br />
15<br />
10<br />
2<br />
0<br />
2<br />
20<br />
15<br />
10<br />
2<br />
0<br />
-2<br />
Dette ses av figur 6.1. Det kan også<br />
legges merke til at vi har 16 observasjoner<br />
som er nummerert ved tidspunkt<strong>en</strong>e<br />
t = 1,2,3, ...,16.<br />
Sesongvariasjoner<br />
Vi ser så på sesongvariasjon<strong>en</strong>e. De er<br />
vist i figur 6.2. Dette er de r<strong>en</strong>e sesong-<br />
0 4 8 12 16<br />
Figur 6.1 Tr<strong>en</strong>d<br />
0 4 8 12 16<br />
Figur 6.2 Sesongvariasjoner<br />
0 4 8 12 16<br />
Figur 6.3 Tr<strong>en</strong>d og sesongvariasjoner<br />
0 4 8 12 16<br />
Figur 6.4 Tilfeldige variasjoner<br />
variasjon<strong>en</strong>e der alle andre variasjoner er<br />
fjernet. Som vi ser er det meget regelmessige<br />
variasjoner. Det finnes to ulike<br />
mønstre. Ent<strong>en</strong> øker sesongvariasjon<strong>en</strong>e<br />
med øk<strong>en</strong>de nivå på tr<strong>en</strong>d<strong>en</strong> eller så er<br />
sesongvariasjon<strong>en</strong>e uavh<strong>en</strong>gig av nivået<br />
på tr<strong>en</strong>d<strong>en</strong>. Det er sistnevnte tilfelle vi<br />
har i figur 6.2.<br />
Som det framgår av figur<strong>en</strong> er det kvartalsvise<br />
sesongvariasjoner. Det betyr at<br />
det er 4 observasjoner i løpet av året <strong>–</strong> <strong>en</strong><br />
observasjon i hvert kvartal. Verdi<strong>en</strong> på<br />
de <strong>en</strong>kelte sesongutslag<strong>en</strong>e er:<br />
Kvartal nr 1: 2,0<br />
Kvartal nr 2: -0,5<br />
Kvartal nr 3: -1,0<br />
Kvartal nr 4: -0,5<br />
Dette er faste utslag i d<strong>en</strong> tid det er foretatt<br />
observasjoner. For å se på d<strong>en</strong><br />
samlede effekt<strong>en</strong> av tr<strong>en</strong>d<strong>en</strong> og sesongutslag<strong>en</strong>e,<br />
så summeres disse. Dette er<br />
gjort i figur 6.3.<br />
Tilfeldige variasjoner<br />
Det vil alltid være tilfeldige variasjoner<br />
knyttet til <strong>en</strong> tidsrekke. Ellers ville jo<br />
tidsrekk<strong>en</strong> være deterministisk <strong>–</strong> ut<strong>en</strong><br />
usikkerhet, og slike situasjoner har vi jo<br />
ikke.<br />
I modellbygging<strong>en</strong> er det et mål å få <strong>en</strong><br />
så lav usikkerhet som mulig. Usikkerhet<strong>en</strong>,<br />
det vil si de tilfeldige variasjon<strong>en</strong>e,<br />
repres<strong>en</strong>terer det vi ikke greier å forklare.<br />
Vi må derfor søke å redusere de tilfeldige<br />
variasjon<strong>en</strong>e til et minimum når<br />
vi lager <strong>en</strong> modell for tidsrekk<strong>en</strong>.<br />
Dersom vi lager <strong>en</strong> dårlig modell, vil de<br />
tilfeldige variasjon<strong>en</strong>e være store. Dette<br />
vil da også føre til usikre prognoser.<br />
I figur 6.4 er det vist et sett med tilfeldige<br />
variasjoner. Disse er g<strong>en</strong>erert som<br />
observasjon<strong>en</strong>e i figur 5.7, fra <strong>en</strong> normalfordeling<br />
med forv<strong>en</strong>tning lik 0 og standardavvik<br />
1. Vi ser av figur<strong>en</strong> at ing<strong>en</strong> av<br />
de 16 observasjon<strong>en</strong>e er større <strong>en</strong>n to<br />
ganger standardavviket som er lik 2.<br />
Normalt vil 5 % av observasjon<strong>en</strong>e (det<br />
vil si én av 20) ligge ut<strong>en</strong>om to ganger<br />
standardavviket.<br />
For øvrig ser observasjon<strong>en</strong>e ut som tilfeldige<br />
variasjoner ut<strong>en</strong> noe mønster,<br />
med hopp opp og ned.<br />
Ved å summere tr<strong>en</strong>d<strong>en</strong>, sesongvariasjon<strong>en</strong>e<br />
og de tilfeldige variasjon<strong>en</strong>e som<br />
er vist i figur<strong>en</strong>e 6.1, 6.2 og 6.4, får vi så<br />
d<strong>en</strong> aktuelle tidsrekk<strong>en</strong>. Det er også<br />
mulig å summere data<strong>en</strong>e fra figur 6.3 og<br />
6.4. D<strong>en</strong> aktuelle tidsrekk<strong>en</strong> er vist i figur<br />
6.5.<br />
Vi ser at form<strong>en</strong> på tidsrekk<strong>en</strong> nå er mer<br />
ugj<strong>en</strong>kj<strong>en</strong>nelig <strong>en</strong>n i figur 6.3 der vi ikke<br />
hadde med kompon<strong>en</strong>t<strong>en</strong> med tilfeldige<br />
variasjoner. Vi har ikke l<strong>en</strong>ger d<strong>en</strong> regelmessighet<strong>en</strong><br />
som vi hadde tidligere.<br />
Imidlertid synes sesongvariasjon<strong>en</strong>e<br />
fremdeles. Samtidig er det også klart at<br />
vi har <strong>en</strong> stig<strong>en</strong>de tr<strong>en</strong>d. Dette greier de<br />
tilfeldige variasjon<strong>en</strong>e ikke å skjule.<br />
Dersom de tilfeldige variasjon<strong>en</strong>e var <strong>en</strong><br />
god del større, kunne det blitt problemer<br />
med å skille ut både tr<strong>en</strong>d og sesong. Det<br />
som er po<strong>en</strong>get, er imidlertid ikke bare å<br />
kunne id<strong>en</strong>tifisere om det er <strong>en</strong> tr<strong>en</strong>d og<br />
om det er sesongvariasjoner. Det er også<br />
av stor betydning å kunne kvantifisere<br />
størrels<strong>en</strong>e på tr<strong>en</strong>d<strong>en</strong> og på sesongvariasjon<strong>en</strong>e<br />
på <strong>en</strong> brukbar måte.<br />
Selve id<strong>en</strong>tifisering<strong>en</strong> av tr<strong>en</strong>d<strong>en</strong> og<br />
sesongvariasjon<strong>en</strong>e vil vi se nærmere på i<br />
d<strong>en</strong> påfølg<strong>en</strong>de del av kapittelet, m<strong>en</strong>s<br />
selve prognosemodell<strong>en</strong>e er pres<strong>en</strong>tert<br />
s<strong>en</strong>ere.<br />
Tabell 6.1 gir <strong>en</strong> oppsummering av data<strong>en</strong>e<br />
fra figur<strong>en</strong>e.<br />
Som vist i tabell<strong>en</strong> har vi følg<strong>en</strong>de størrelser:<br />
t: tid<strong>en</strong><br />
y: tidsrekk<strong>en</strong><br />
a + bt: tr<strong>en</strong>d<strong>en</strong> der a = 10,0 og<br />
b = 0,5<br />
S: sesongkompon<strong>en</strong>t<strong>en</strong> der<br />
S = 2,0, -0,5, -1,0 eller -0,5<br />
e: tilfeldige variasjoner<br />
Vi får da følg<strong>en</strong>de likning:<br />
y = a + bt + S + e (6.1)<br />
I dette tilfellet har parametr<strong>en</strong>e a og b<br />
samt sesongutslag<strong>en</strong>e S vært kj<strong>en</strong>t på forhånd.<br />
Slik er det ikke i <strong>en</strong> vanlig situasjon.<br />
Da må vi beregne disse parameterverdi<strong>en</strong>e.<br />
Vi introduserer nå metoder for glatting<br />
av tidsrekker som vil hjelpe oss i arbeidet<br />
med å id<strong>en</strong>tifisere de ulike kompon<strong>en</strong>t<strong>en</strong>e<br />
til tidsrekker.<br />
6.2 Glatting av tidsrekker<br />
Det finnes <strong>en</strong> rekke ulike metoder til å<br />
glatte tidsrekker. Metod<strong>en</strong>e varierer<br />
sterkt i kompleksitet. I dette kapittelet vil<br />
vi kun se på no<strong>en</strong> <strong>en</strong>kle metoder.<br />
Glattingsmetoder har blitt brukt i lang<br />
tid. De ble blant annet brukt i tilknytning<br />
til dekomponeringsmodeller som var d<strong>en</strong>