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.
klassiske prognosemetod<strong>en</strong> i d<strong>en</strong> første<br />
del av det 20. århundre (1900<strong>–</strong>). Dekomponeringsmodell<strong>en</strong>e<br />
baserer seg, slik<br />
navnet sier, på å separere tidsrekk<strong>en</strong> i<br />
ulike kompon<strong>en</strong>ter. Dette vil vi vise i<br />
kapittel 6.3. For å kunne gjøre dette, er<br />
det nødv<strong>en</strong>dig å ha metoder for glatting<br />
av tidsrekker.<br />
Før vi går videre med metoder for glatting<br />
nevnes det at det også i dag finnes<br />
anerkj<strong>en</strong>te dekomponeringsmodeller. D<strong>en</strong><br />
mest kj<strong>en</strong>te er X11. I dette komp<strong>en</strong>diet vil<br />
vi imidlertid ikke kons<strong>en</strong>trere oss om<br />
d<strong>en</strong>ne type modeller. Det som kort kan<br />
sies, er at det i de bedre dekomponeringsmodell<strong>en</strong>e<br />
manipuleres mye med data<strong>en</strong>e<br />
ved å bruke glattingsmodeller <strong>en</strong> rekke<br />
ganger for å få skilt ut kompon<strong>en</strong>t<strong>en</strong>e.<br />
Deretter settes så kompon<strong>en</strong>t<strong>en</strong>e samm<strong>en</strong><br />
til <strong>en</strong> prognosemodell.<br />
La oss nå illustrere po<strong>en</strong>get med glatting<br />
av <strong>en</strong> tidsrekke.<br />
Vi ser at d<strong>en</strong>ne tidsrekk<strong>en</strong> får et glattere<br />
forløp etter at det er foretatt <strong>en</strong> glatting<br />
av observasjon<strong>en</strong>e.<br />
Tidsrekk<strong>en</strong> i figur 6.6 bestod av tilfeldige<br />
variasjoner på begge sider av 0. Disse tilfeldige<br />
variasjon<strong>en</strong>e var trukket ut av <strong>en</strong><br />
normalfordeling med forv<strong>en</strong>tning 0 og<br />
standardavvik 1. Vi vet fra før at disse<br />
observasjon<strong>en</strong>e vil gruppere seg på begge<br />
sider av 0.<br />
I eksempelet med rekrutt<strong>en</strong>e fra kapittel<br />
5 grupperte observasjon<strong>en</strong>e seg på begge<br />
sider av 180, som var forv<strong>en</strong>tningsverdi<strong>en</strong>.<br />
Det vi imidlertid la merke til,<br />
var at da vi summerte et sett med<br />
observasjoner og tok gj<strong>en</strong>nomsnittsverdi<strong>en</strong><br />
fikk vi <strong>en</strong> verdi som lå nærmere<br />
180 <strong>en</strong>n om vi så på <strong>en</strong> <strong>en</strong>kelt observasjon.<br />
Dette er også prinsippet med glatting av<br />
observasjoner. Vi summerer et sett med<br />
observasjoner og finner gj<strong>en</strong>nomsnittet.<br />
Vi vet da at <strong>en</strong> del av effekt<strong>en</strong> av de tilfeldige<br />
variasjon<strong>en</strong>e elimineres. Dermed<br />
vil det være lettere å id<strong>en</strong>tifisere tr<strong>en</strong>d og<br />
sesong.<br />
I figur<strong>en</strong> har vi tatt gj<strong>en</strong>nomsnittet av<br />
fem og fem observasjoner. Vi ser tydelig<br />
at de glattede observasjon<strong>en</strong>e ligger<br />
nærmere forv<strong>en</strong>tningsverdi<strong>en</strong> 0 <strong>en</strong>n det<br />
selve observasjon<strong>en</strong>e gjorde.<br />
Som tidligere nevnt har vi ulike glattingsmetoder.<br />
Følg<strong>en</strong>de nevnes her:<br />
- Glid<strong>en</strong>de gj<strong>en</strong>nomsnitt<br />
- Veiet glid<strong>en</strong>de gj<strong>en</strong>nomsnitt<br />
- Ekspon<strong>en</strong>tiell glatting.<br />
D<strong>en</strong> siste metod<strong>en</strong> kan også brukes<br />
direkte som <strong>en</strong> prognosemetode. Forutsetning<strong>en</strong><br />
er imidlertid at tidsrekk<strong>en</strong> ikke<br />
har sesongvariasjoner, og at d<strong>en</strong> i rimelig<br />
grad ligger på samme nivå.<br />
modeller til id<strong>en</strong>tifikasjon av de ulike<br />
kompon<strong>en</strong>t<strong>en</strong>e.<br />
Glid<strong>en</strong>de gj<strong>en</strong>nomsnitt<br />
Glid<strong>en</strong>de gj<strong>en</strong>nomsnitt går som nevnt ut<br />
på å summere et sett med på hverandre<br />
følg<strong>en</strong>de observasjoner, det kan være to,<br />
tre, fire ..., og så beregne gj<strong>en</strong>nomsnittet<br />
av disse.<br />
20<br />
Anta at vi bestemmer oss for å ta gj<strong>en</strong>nomsnittet<br />
av tre observasjoner. Dette<br />
betyr at vi starter med å ta gj<strong>en</strong>nomsnittet<br />
av observasjon nr 1, 2 og 3. Deretter tar<br />
vi gj<strong>en</strong>nomsnittet av observasjon nr 2, 3<br />
15<br />
og 4. Deretter tar vi gj<strong>en</strong>nomsnittet av<br />
observasjon nr 3, 4 og 5, osv helt til vi<br />
10<br />
har tatt gj<strong>en</strong>nomsnittet av de tre siste<br />
observasjon<strong>en</strong>.<br />
0 4 8 12 16<br />
Figur 6.5 Tidsrekke med tr<strong>en</strong>d, sesong og til-<br />
D<strong>en</strong> første gj<strong>en</strong>nomsnittsverdi<strong>en</strong> eller<br />
glatting<strong>en</strong> plasseres i punkt nr 2, som er<br />
feldige variasjoner<br />
s<strong>en</strong>terpunktet for de tre første observasjon<strong>en</strong>e.<br />
D<strong>en</strong> neste i punkt nr 3, som er<br />
s<strong>en</strong>terpunktet for de neste observasjon-<br />
3<br />
<strong>en</strong>e, osv.<br />
2<br />
Dette er også illustrert i tabell 6.2.<br />
Vi ser av tabell<strong>en</strong> at tidsrekk<strong>en</strong> som er<br />
1<br />
angitt til v<strong>en</strong>stre er voks<strong>en</strong>de, m<strong>en</strong> d<strong>en</strong><br />
hopper mye opp og ned. Ved å glatte<br />
0<br />
observasjon<strong>en</strong>e får vi et jevnere forløp.<br />
Både glatting<strong>en</strong> ved bruk av tre og av<br />
fem observasjoner gir <strong>en</strong> jevnere stigning.<br />
Tr<strong>en</strong>d<strong>en</strong> i tidsrekk<strong>en</strong> framkommer<br />
1<br />
nå ut fra de glattede observasjon<strong>en</strong>e.<br />
0 5 10 15 20 25 30<br />
Fra tabell<strong>en</strong> kan det også registreres at vi<br />
mister observasjoner når vi glatter dem.<br />
Når vi glatter med tre observa-<br />
Figur 6.6 Glatting av <strong>en</strong> tidsrekke<br />
sjoner, mister vi <strong>en</strong> glattet på<br />
hver side. Når vi glatter med<br />
Tabell 6.1 Tidsrekke med tr<strong>en</strong>d, sesong og tilfeldige variasjoner<br />
fem observasjoner, mister vi to Tid Tr<strong>en</strong>d Sesong Tilfeldige var. Tidsrekke<br />
glattede på hver side.<br />
t a + bt S e a + bt + S + e<br />
Dette er <strong>en</strong> grunn til at det er<br />
vanskelig å lage prognoser<br />
med glattings- og dekomponeringsmodeller.<br />
Det er lite<br />
ønskelig å miste de siste<br />
observasjon<strong>en</strong>e som jo er de<br />
viktigste, da de forteller om<br />
d<strong>en</strong> siste utvikling<strong>en</strong>. I de<br />
dekomponeringsmodeller som<br />
brukes i dag, tas det inn andre<br />
klassiske prognosemetoder i<br />
kombinasjon for å dekke opp<br />
de siste observasjon<strong>en</strong>e.<br />
1<br />
2<br />
3<br />
4<br />
5<br />
6<br />
7<br />
8<br />
9<br />
10<br />
11<br />
12<br />
13<br />
10,5<br />
11,0<br />
11,5<br />
12,0<br />
12,5<br />
13,0<br />
13,5<br />
14,0<br />
14,5<br />
15,0<br />
15,5<br />
16,0<br />
16,5<br />
2,0<br />
-0,5<br />
-1,0<br />
-0,5<br />
2,0<br />
-0,5<br />
-1,0<br />
-0,5<br />
2,0<br />
-0,5<br />
-1,0<br />
-0,5<br />
2,0<br />
-0,3<br />
0,2<br />
0,8<br />
0,2<br />
-0,3<br />
1,6<br />
1,1<br />
0,4<br />
-0,5<br />
1,0<br />
-0,5<br />
0,2<br />
-0,2<br />
12,2<br />
10,7<br />
11,3<br />
11,7<br />
14,2<br />
14,1<br />
13,6<br />
13,9<br />
16,0<br />
15,5<br />
14,0<br />
15,7<br />
18,3<br />
I dette komp<strong>en</strong>diet vil vi 14 17,0 -0,5 1,1 17,6<br />
imidlertid kun bruke glattings- 15 17,5 -1,0 1,2 17,7<br />
16 18,0 -0,5 -0,1 17,4<br />
25