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.
26<br />
Tabell 6.2 Eksempel på glatting av observasjoner<br />
Tid Tidsrekke Glatting med Glatting med<br />
3 obs 5 obs<br />
1 5<br />
2 4 5,3<br />
3 8 6,3 6,5<br />
4 7 8,0 7,6<br />
5 9 8,7 8,4<br />
6 10 9,0 9,6<br />
7 8 10,7 10,4<br />
8 14 11,0 11,6<br />
9 11 13,3<br />
10 15<br />
Veiet glid<strong>en</strong>de gj<strong>en</strong>nomsnitt<br />
Veiet glid<strong>en</strong>de gj<strong>en</strong>nomsnitt er basert på<br />
d<strong>en</strong> samme tankegang<strong>en</strong> som glid<strong>en</strong>de<br />
gj<strong>en</strong>nomsnitt. D<strong>en</strong> <strong>en</strong>este forskjell<strong>en</strong> er at<br />
hver <strong>en</strong>kelt observasjon gis <strong>en</strong> vekt. D<strong>en</strong><br />
vekt<strong>en</strong> som ble gitt de <strong>en</strong>kelte observasjoner<br />
i glid<strong>en</strong>de gj<strong>en</strong>nomsnitt var d<strong>en</strong><br />
inverse av antall observasjoner. Med<br />
andre ord, når vi b<strong>en</strong>yttet tre observasjoner<br />
fikk hver vekt 1/3, og når vi hadde<br />
fem observasjoner fikk hver vekt 1/5.<br />
Vi legger merke til at summ<strong>en</strong> av alle<br />
vekt<strong>en</strong>e er lik 1. Dette er også tilfelle i<br />
veiet glid<strong>en</strong>de gj<strong>en</strong>nomsnitt, m<strong>en</strong> her er<br />
det ikke noe krav om at alle observasjon<strong>en</strong>e<br />
har samme vekt. I prinsippet kan alle<br />
vekt<strong>en</strong>e være helt ulike bare summ<strong>en</strong> av<br />
vekt<strong>en</strong>e er lik 1.<br />
Det som i praksis har vist seg lønnsomt,<br />
er å ha vekter som er symmetriske rundt<br />
midtpunktet. Et eksempel på slike vekter<br />
er:<br />
Observasjon Vekt<br />
observasjon nr 1: 0.10<br />
observasjon nr 2: 0.20<br />
observasjon nr 3: 0.40<br />
observasjon nr 4: 0.20<br />
observasjon nr 5: 0.10<br />
Sum vekter 1.00<br />
Vi ser at midtobservasjon<strong>en</strong> har d<strong>en</strong> høyeste<br />
vekt<strong>en</strong> og at vekt<strong>en</strong>e på begge sider<br />
er symmetriske om d<strong>en</strong>ne observasjon<strong>en</strong>.<br />
Summ<strong>en</strong> av vekt<strong>en</strong>e er lik 1.<br />
Det som må bestemmes når observasjoner<br />
skal glattes, er hvor mange<br />
observasjoner som skal være med i glatting<strong>en</strong><br />
og hvorledes de skal vektlegges.<br />
Dersom d<strong>en</strong>ne glatting<strong>en</strong> kun skal brukes<br />
for id<strong>en</strong>tifisering av ulike kompon<strong>en</strong>ter,<br />
er det ing<strong>en</strong> grunn til å<br />
være raffinert med h<strong>en</strong>syn<br />
til valg. Dersom<br />
glatting<strong>en</strong> skal brukes i<br />
<strong>en</strong> dekomponeringsmodell,<br />
må det imidlertid<br />
foretas et sett med ulike<br />
glattinger. Dette er<br />
imidlertid godt beskrevet<br />
i litteratur om dekomponeringsmodeller.<br />
Det som vi imidlertid bør<br />
merke oss når vi glatter<br />
tidsrekker med sesongvariasjoner,<br />
er at antall<br />
observasjoner i glatting<strong>en</strong> da er bestemt.<br />
I disse tilfell<strong>en</strong>e skal antall observasjoner<br />
i glatting<strong>en</strong> være lik antall observasjoner<br />
i sesong<strong>en</strong>. Dersom vi eksempelvis har<br />
månedsobservasjoner, har vi 12 observasjoner<br />
i løpet av året. Da skal antall<br />
observasjoner i glatting<strong>en</strong> være 12.<br />
Årsak<strong>en</strong> til dette er at glatting<strong>en</strong> av tidsrekk<strong>en</strong><br />
skal gi oss tr<strong>en</strong>d<strong>en</strong>. Når vi så<br />
summerer over observasjoner i <strong>en</strong> hel<br />
sesong vil de positive og negative<br />
sesongutslag<strong>en</strong>e oppheve hverandre.<br />
Dermed vil tr<strong>en</strong>d<strong>en</strong> komme godt til syne.<br />
Dette ses godt på figur 6.2 som bare<br />
repres<strong>en</strong>terer sesongvariasjoner. Når vi<br />
glatter d<strong>en</strong>ne, vil samtlige av de glattede<br />
verdier bli lik 0.<br />
Ekspon<strong>en</strong>tiell glatting<br />
I motsetning til i vanlig glatting brukes<br />
det <strong>en</strong> parameter som vi betegner med a i<br />
ekspon<strong>en</strong>tiell glatting.<br />
Ekspon<strong>en</strong>tiell glatting er også <strong>en</strong> prognosemodell.<br />
Dersom d<strong>en</strong>ne modell<strong>en</strong><br />
skal kunne brukes, må det ikke være<br />
sesongvariasjoner i observasjon<strong>en</strong>e og<br />
samtidig bør tidsrekk<strong>en</strong> være tilnærmet<br />
stasjonær.<br />
Modell<strong>en</strong> er basert på følg<strong>en</strong>de:<br />
n er nummeret på siste observasjon<br />
yn er siste observasjon<br />
er prognos<strong>en</strong> et skritt fram fra<br />
tidspunkt n-1<br />
ˆy n−1(1)<br />
er prognos<strong>en</strong> et skritt fram fra<br />
tidspunkt n<br />
Vi har da følg<strong>en</strong>de prognosemodell:<br />
ˆy n (1)<br />
ˆy n (1)=(1 − a)y n + aˆy n−1 (1)<br />
Dette er det samme som å si:<br />
(6.2)<br />
Ny prognose = (1 - a) * (ny observasjon)<br />
+ a * (gammel prognose).<br />
Algoritm<strong>en</strong> for å lage prognos<strong>en</strong>e blir da:<br />
- Først lages <strong>en</strong> prognose<br />
- Deretter kommer det inn <strong>en</strong> ny<br />
observasjon<br />
- Deretter lages det <strong>en</strong> ny prognose, etc.<br />
Det gjelder å finne startverdier for å<br />
starte d<strong>en</strong>ne algoritm<strong>en</strong> og så bestemme<br />
best mulig verdi på glattingsparameter<strong>en</strong><br />
a. Dette kommer vi nærmere tilbake til i<br />
kapittel 8.<br />
Det er viktig å være klar over at d<strong>en</strong>ne<br />
glattingsmodell<strong>en</strong> ikke må brukes når vi<br />
har <strong>en</strong> sterkt stig<strong>en</strong>de tr<strong>en</strong>d. Vi får da <strong>en</strong><br />
kraftig estimering av tidsrekk<strong>en</strong>s utvikling.<br />
Glattingsparameter<strong>en</strong> a (a mindre <strong>en</strong>n 1)<br />
kan interpreteres ved at siste observasjon<br />
gis vekt<strong>en</strong> a, nest siste observasjon gis<br />
vekt<strong>en</strong> a opphøyd i andre, etc, slik at<br />
vekt<strong>en</strong>e på de følg<strong>en</strong>de observasjon<strong>en</strong>e<br />
avtar ekspon<strong>en</strong>tielt. De avtag<strong>en</strong>de vekt<strong>en</strong>e<br />
er da:<br />
a a2 a3 a4 ...<br />
Glatting ved forskjellig usikkerhet<br />
Til slutt skal vi se hvorledes glatting<strong>en</strong><br />
kan brukes til å få innsikt i struktur<strong>en</strong> på<br />
<strong>en</strong> tidsrekke under ulik grad av usikkerhet.<br />
I tabell 6.3 har vi data for <strong>en</strong> tidsrekke<br />
som består av kompon<strong>en</strong>t<strong>en</strong>e<br />
- tr<strong>en</strong>d<br />
- sesong<br />
- støy.<br />
Det er forutsatt <strong>en</strong> lineær tr<strong>en</strong>d som stiger<br />
i samme takt som tid<strong>en</strong> t. I tillegg har vi<br />
<strong>en</strong> kvartalsvis sesongkompon<strong>en</strong>t som er<br />
lik<br />
- første kvartal: 8<br />
- andre kvartal: -1<br />
- tredje kvartal: -5<br />
- fjerde kvartal: -2<br />
Tidsrekk<strong>en</strong> basert på lineær tr<strong>en</strong>d og<br />
sesongkompon<strong>en</strong>ter, m<strong>en</strong> ut<strong>en</strong> støy, er<br />
vist i figur 6.7.<br />
Tabell 6.3 gir <strong>en</strong> <strong>oversikt</strong> over data<strong>en</strong>e<br />
for tre ulike tidsrekker med samme tr<strong>en</strong>d<br />
og samme sesongkompon<strong>en</strong>ter, m<strong>en</strong> med<br />
ulike støykompon<strong>en</strong>ter. Tabell<strong>en</strong> viser<br />
følg<strong>en</strong>de: