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.
34<br />
Variasjon<br />
40<br />
35<br />
30<br />
25<br />
78<br />
68<br />
58<br />
48<br />
38<br />
der<br />
35 40 45 50<br />
Gj<strong>en</strong>nomsnitt<br />
Figur 7.16 Variasjons-gj<strong>en</strong>nomsnittsplott for tidsrekk<strong>en</strong> i<br />
tabell 7.1<br />
r k = c k<br />
c 0<br />
c k = 1<br />
n<br />
k = 0, 1, 2, 3, ... (7.4)<br />
n−k<br />
∑(<br />
yt − y )( yt+k − y )<br />
t=1<br />
(7.5)<br />
Vi beregner så autokorrelasjonsfunksjon<strong>en</strong><br />
<strong>–</strong> det vil si autokorrelasjon<strong>en</strong>e <strong>–</strong><br />
til <strong>en</strong> tidsrekke med flere observasjoner.<br />
Vi tar utgangspunkt i tabell 7.1 og tar<br />
med de 12 første observasjon<strong>en</strong>e. Disse<br />
er vist grafisk i figur 7.20.<br />
Vi beregner så autokorrelasjon<strong>en</strong>e til<br />
d<strong>en</strong>ne tidsrekk<strong>en</strong>. D<strong>en</strong>ne gang<strong>en</strong> gjør vi<br />
det ikke for hånd, m<strong>en</strong> vi lar <strong>en</strong> programpakke<br />
beregne autokorrelasjon<strong>en</strong>e.<br />
Variasjon<br />
0.75<br />
0.65<br />
0.55<br />
0.45<br />
28<br />
3.50 3.60 3.70 3.80 3.90<br />
0 10 20 30 40<br />
Gj<strong>en</strong>nomsnitt<br />
Figur 7.18 D<strong>en</strong> transformerte tidsrekk<strong>en</strong> Figur 7.19 Variasjons-gj<strong>en</strong>nomsnittsplott for d<strong>en</strong> logaritmisk<br />
transformerte tidsrekk<strong>en</strong><br />
4.3<br />
4.1<br />
3.9<br />
3.7<br />
3.5<br />
I figur 7.21 finner vi de beregnede autokorrelasjon<strong>en</strong>e.<br />
Vi gj<strong>en</strong>tar d<strong>en</strong>ne prosess<strong>en</strong> og beregner<br />
autokorrelasjonsfunksjon<strong>en</strong> til tidsrekk<strong>en</strong><br />
som består av samtlige 40 observasjoner<br />
fra tabell 7.1. Tidsrekk<strong>en</strong> er framstilt i<br />
figur 7.17. D<strong>en</strong> beregnede autokorrelasjonsfunksjon<strong>en</strong><br />
er gitt i figur 7.22.<br />
Hvis vi ser på de 4 første autokorrelasjon<strong>en</strong>e,<br />
så ser vi klare likhetspunkter i<br />
figur 7.21 og figur 7.22. Dette betyr at vi<br />
har større usikkerhet i beregning<strong>en</strong>e når<br />
vi har få observasjoner i forhold til<br />
mange observasjoner.<br />
I figur<strong>en</strong>e 7.21 og 7.22 er det tegnet opp<br />
usikkerhetsgr<strong>en</strong>ser. Vi ser at disse avtar<br />
med øk<strong>en</strong>de antall observasjoner. Usikk-<br />
3.3<br />
0 10 20 30 40<br />
Figur 7.17 D<strong>en</strong> originale tidsrekk<strong>en</strong><br />
erhetsgr<strong>en</strong>s<strong>en</strong>e er basert på følg<strong>en</strong>de tilnærmede<br />
formel:<br />
var (r k )= 1<br />
n 1 + 2 r ⎛ q ⎞<br />
2<br />
⎜ ∑ i ⎟<br />
⎝ i=1 ⎠<br />
(7.6)<br />
Her er q avstand<strong>en</strong> der det er autokorrelasjon<br />
mellom observasjon<strong>en</strong>e. Når vi skal<br />
analysere støyledd<strong>en</strong>e, er målsetting<strong>en</strong> at<br />
det ikke skal være autokorrelasjon<br />
mellom dem. I så fall blir q = 0, og vi får<br />
følg<strong>en</strong>de tilnærmede formel for varians<strong>en</strong><br />
til autokorrelasjon<strong>en</strong>e:<br />
var (r 1<br />
k )=<br />
n<br />
(7.7)