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.
42<br />
y<br />
y t+1<br />
^ µ t+1<br />
^ ^<br />
µ t +β t<br />
^<br />
µ t<br />
t t +1<br />
Figur 10.3 Relasjon mellom størrelser i Holts modeller<br />
ive integrerte glid<strong>en</strong>de gj<strong>en</strong>nomsnittsmodeller).<br />
I 1920-år<strong>en</strong>e utviklet G U Yule de autoregressive<br />
modeller. S<strong>en</strong>ere kom glid<strong>en</strong>de<br />
gj<strong>en</strong>nomsnittsmodeller. Det å sette<br />
disse modell<strong>en</strong>e samm<strong>en</strong> til <strong>en</strong> mer fleksibel<br />
modelltype ble så gjort, m<strong>en</strong> det<br />
viste seg vanskelig å anv<strong>en</strong>de modelltyp<strong>en</strong>.<br />
Gj<strong>en</strong>nombruddet kom på slutt<strong>en</strong><br />
av 1960-tallet med arbeid<strong>en</strong>e til Box og<br />
J<strong>en</strong>kins som i bok<strong>en</strong> Time Series Analysis,<br />
Forecasting and Control [6] gav <strong>en</strong><br />
<strong>en</strong>hetlig matematisk/ statistisk ramme for<br />
modell<strong>en</strong>e. Metod<strong>en</strong> de utviklet er kalt<br />
Box-J<strong>en</strong>kins metode, og d<strong>en</strong> er <strong>en</strong> effektiv<br />
og praktisk prosedyre for å anv<strong>en</strong>de<br />
ARIMA-modell<strong>en</strong>e i prognosesamm<strong>en</strong>h<strong>en</strong>g.<br />
Et av de viktigste elem<strong>en</strong>t<strong>en</strong>e i<br />
arbeidet til Box og J<strong>en</strong>kins er utvikling<strong>en</strong><br />
av metoder til å id<strong>en</strong>tifisere d<strong>en</strong> ARIMAmodell<br />
som gir best tilpasning til de gitte<br />
observasjoner, samt tester for å evaluere<br />
hvorvidt tilpasning<strong>en</strong> er tilfredsstill<strong>en</strong>de.<br />
Ved bruk av ARIMA-modeller kan forholdvis<br />
kompliserte tidsrekker modelleres<br />
ved bruk av få parametere. Dette er<br />
også et viktig prinsipp i statistisk teori<br />
(The principle of parcimony): å b<strong>en</strong>ytte<br />
så få parametere som mulig, m<strong>en</strong> ha <strong>en</strong><br />
akseptabel tilpasning. Med andre ord,<br />
ing<strong>en</strong> overparametrisering i modell<strong>en</strong>e.<br />
ARIMA-modell<strong>en</strong>e, som kun er basert på<br />
tidsrekk<strong>en</strong>s tidligere observasjoner, er<br />
spesielt velegnet til å modellere sesongmessige<br />
variasjoner. Modell<strong>en</strong>e brukes til<br />
å lage prognoser på kort og middels sikt.<br />
Dersom det skal lages langsiktige prognoser,<br />
kan det brukes andre modelltyper;<br />
ev<strong>en</strong>tuelt kan det brukes Transfermod-<br />
(y t+1 )<br />
^<br />
(µ t+1 )<br />
^ ^<br />
(µ t +β t )<br />
^<br />
βt ^<br />
µ t<br />
eller. Disse modell<strong>en</strong>e er <strong>en</strong><br />
utvidelse av ARIMA-modell<strong>en</strong>e,<br />
hvor det inkluderes forklaringsvariable<br />
i tillegg til selve tidsrekk<strong>en</strong>.<br />
Av tidligere arbeid på dette feltet<br />
i Televerket h<strong>en</strong>vises det til:<br />
[27], [28], [29] og [30].<br />
Av ann<strong>en</strong> litteratur på området<br />
h<strong>en</strong>vises det til: [6], [10], [31],<br />
[32].<br />
I det følg<strong>en</strong>de ses det på<br />
hovedelem<strong>en</strong>t<strong>en</strong>e i <strong>en</strong> ARIMAmodell.<br />
11.1 Autoregressiv modell<br />
Autoregressiv er samm<strong>en</strong>satt av<br />
auto, som betyr selv, og<br />
regressiv, som betyr tilbakegå<strong>en</strong>de. En<br />
autoregressiv modell er <strong>en</strong> beskrivelse av<br />
<strong>en</strong> tidsrekke som uttrykker d<strong>en</strong> siste<br />
observasjon<strong>en</strong> som <strong>en</strong> veiet sum av de<br />
forutgå<strong>en</strong>de observasjon<strong>en</strong>e. Vi antar her<br />
at antall forutgå<strong>en</strong>de observasjoner som<br />
det er nødv<strong>en</strong>dig å ta med er p.<br />
D<strong>en</strong> autoregressive modell<strong>en</strong> er gitt ved:<br />
yt = ϕ1yt-1 + ϕ2 yt-2 + ...<br />
+ ϕp yt-p + at Her er:<br />
- {ϕ} parametere i modell<strong>en</strong><br />
- {a} støyledd i modell<strong>en</strong>.<br />
(11.1)<br />
Her er det parametr<strong>en</strong>e i modell<strong>en</strong> som<br />
angir hvor stor vekt som skal legges på<br />
de <strong>en</strong>kelte observasjoner. D<strong>en</strong>ne modell<strong>en</strong><br />
betegnes også som AR(p) modell<br />
fordi det er <strong>en</strong> autoregressiv modell med<br />
p parametere.<br />
Støyleddet betegnes her med a og skiller<br />
seg noe fra støyleddbetegnelse i andre<br />
modeller. Det forutsettes at støyleddet har<br />
forv<strong>en</strong>tning lik 0, at støyledd<strong>en</strong>e er uavh<strong>en</strong>gige<br />
og har konstant varians og at de<br />
gjerne er normalfordelt. Dette er de<br />
samme forutsetninger som er angitt i<br />
kapittel 7. Støyledd<strong>en</strong>e kan da betegnes<br />
som hvit støy.<br />
11.2 Glid<strong>en</strong>de gj<strong>en</strong>nomsnittsmodell<br />
Dette er <strong>en</strong> modell som er dual til d<strong>en</strong><br />
autoregressive modell. I <strong>en</strong> glid<strong>en</strong>de<br />
gj<strong>en</strong>nomsnittsmodell uttrykkes siste<br />
observasjon som <strong>en</strong> veiet sum av tidligere<br />
støyledd. Det forutsettes at antall<br />
støyledd som det er nødv<strong>en</strong>dig å ta med,<br />
er q. Modell<strong>en</strong> betegnes da som MA(q)<br />
modell og er gitt ved:<br />
yt = at - θ1 at-1 - θ2 at-2 - ... - θq at q (11.2)<br />
Her er:<br />
- {θ} parametere i modell<strong>en</strong>.<br />
Etter at antall parametere i modell<strong>en</strong> er<br />
bestemt og når verdi<strong>en</strong> på parametr<strong>en</strong>e er<br />
estimert, er modell<strong>en</strong> bestemt.<br />
11.3 D<strong>en</strong> samm<strong>en</strong>satte modell<br />
D<strong>en</strong> samm<strong>en</strong>satte modell kombinerer d<strong>en</strong><br />
autoregressive modell og glid<strong>en</strong>de gj<strong>en</strong>nomsnittsmodell.<br />
Fordel<strong>en</strong> ved d<strong>en</strong>ne<br />
modell<strong>en</strong> er at <strong>en</strong> med få parametere kan<br />
beskrive situasjon<strong>en</strong> der modell med<br />
autoregressive eller med glid<strong>en</strong>de gj<strong>en</strong>nomsnittsmodeller<br />
krever et stort antall<br />
parametere. Dermed begr<strong>en</strong>ses antall<br />
parametere i modell<strong>en</strong>. D<strong>en</strong> samm<strong>en</strong>satte<br />
med p autoregressive parametere og q<br />
glid<strong>en</strong>de gj<strong>en</strong>nomsnittsparametere<br />
betegnes som ARMA(p,q) og er gitt ved:<br />
yt = ϕ1 yt-1 + ϕ2 yt-2 + ... + ϕp yt-p + at - θ1 at-1 - ... - θq at-q (11.3)<br />
Vanligvis vil størrels<strong>en</strong> på p og q ikke<br />
overstige 2.<br />
11.4 Sesongmodeller<br />
Mange tidsrekker har sesongvariasjoner.<br />
En tidsrekke som eksempelvis angir<br />
månedlig etterspørsel, vil naturlig ha<br />
sesongvariasjoner, og da med <strong>en</strong> periode<br />
på 12. Ved å studere etterspørsel<strong>en</strong> ved<br />
tidspunkt t, vil vi finne at det er <strong>en</strong> sterk<br />
korrelasjon mellom etterspørsel<strong>en</strong> ved<br />
tidspunkt t, t-12, t-24, ..., etc. Dette betyr<br />
eksempelvis at sesongutslaget i februar<br />
ett år vil være korrelert med sesongutslaget<br />
februar året før etc.<br />
En autoregressiv modell som reflekterer<br />
noe av d<strong>en</strong>ne avh<strong>en</strong>gighetsstruktur<strong>en</strong>, er:<br />
yt = ϕ12 yt-12 + ϕ24 yt-24 + ... + at (11.4)<br />
Hvis det er nødv<strong>en</strong>dig å ta med mange<br />
parametere i d<strong>en</strong> autoregressive modell<strong>en</strong>,<br />
kan det være aktuelt å ta med no<strong>en</strong><br />
glid<strong>en</strong>de gj<strong>en</strong>nomsnittsledd for å redusere<br />
antall parametere. Vi vil da ha <strong>en</strong><br />
samm<strong>en</strong>satt modell på sesongbasis.<br />
D<strong>en</strong>ne modell<strong>en</strong> vil da kunne beskrives<br />
på analog måte med modell<strong>en</strong> i likning<br />
(11.3), m<strong>en</strong> med tidsavstand 12.<br />
I de fleste tilfelle vil det ikke bare være<br />
avh<strong>en</strong>gighet mellom etterspørsel<strong>en</strong> i<br />
samme måned i påfølg<strong>en</strong>de år, m<strong>en</strong> også