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.
001.18:621.39<br />
76<br />
Glattingsmodeller<br />
AV JOHANNES BØE OG CARLO HJELKREM<br />
1 Innledning<br />
En effektiv prognoseteknikk må inneholde<br />
et teoretisk fundam<strong>en</strong>t. Det må<br />
være mulig å beskrive variasjon<strong>en</strong> i de<br />
historiske data i tillegg til <strong>en</strong> parameterestimering.<br />
Glattingsmodeller inneholder<br />
slikt fundam<strong>en</strong>t og er beskrevet i d<strong>en</strong>ne<br />
artikkel<strong>en</strong>.<br />
- Disse teknikk<strong>en</strong>e b<strong>en</strong>yttes ofte inn<strong>en</strong><br />
salg, kvalitetskontroll og markedsplanlegging.<br />
- Metodikk<strong>en</strong> er basert på beskrivelse av<br />
fortid<strong>en</strong> til bruk i framtid<strong>en</strong>.<br />
- Modell<strong>en</strong>e er <strong>en</strong>kle å oppdatere og<br />
krever lit<strong>en</strong> kapasitet (tid).<br />
- Modellverket er svært <strong>en</strong>kelt med h<strong>en</strong>syn<br />
på statistisk analyse, m<strong>en</strong> inneholder<br />
likevel <strong>en</strong> stor praktisk verdi.<br />
- Metod<strong>en</strong>e er praktiske når mange tidsserier<br />
skal behandles samtidig.<br />
- Metod<strong>en</strong>e er intuitivt lette å forstå.<br />
Tidsrekkeanalyse er betegnels<strong>en</strong> på<br />
metoder som prognostiserer framtidige<br />
verdier av <strong>en</strong> variabel utelukk<strong>en</strong>de på<br />
grunnlag av d<strong>en</strong>s historiske verdier. På<br />
forskjellige måter id<strong>en</strong>tifiseres mønstre i<br />
historiske data og forl<strong>en</strong>ger dem inn i<br />
framtid<strong>en</strong>. Metod<strong>en</strong>e inndeles etter<br />
hvilke typer tidsrekker som de kan<br />
anv<strong>en</strong>des på. De forskjellige typ<strong>en</strong>e er:<br />
- Stasjonære (ut<strong>en</strong> tr<strong>en</strong>d eller sesong)<br />
- Med tr<strong>en</strong>d (ut<strong>en</strong> sesong)<br />
- Med tr<strong>en</strong>d og sesongvariasjon (med<br />
sesong m<strong>en</strong>es et regelmessig mønster<br />
som gj<strong>en</strong>tas fast hvert år).<br />
Vi skal her beskrive metoder som kan<br />
brukes på tidsserier som de tre ov<strong>en</strong>nevnte.<br />
Disse metod<strong>en</strong>e vil bli forklart<br />
ved hjelp av teori og eksempler h<strong>en</strong>tet fra<br />
Televerket.<br />
I svært mange tidsrekker vil det være<br />
flere faktorer som påvirker selve tidsrekk<strong>en</strong>.<br />
Det kan være sesongbetonte<br />
svingninger, tilfeldige variasjoner og<br />
irregulære (spesielle) h<strong>en</strong>delser. For å få<br />
<strong>en</strong> oppfatning av hvorledes tr<strong>en</strong>d<strong>en</strong> i<br />
selve tidsrekk<strong>en</strong> er, kan det være h<strong>en</strong>siktsmessig<br />
å b<strong>en</strong>ytte<br />
glattingsmodeller/glattingsmetoder som<br />
eliminerer slik faktorer. Slike modeller er<br />
basert på å kons<strong>en</strong>trere informasjon fra<br />
flere observasjoner i ett observasjonspunkt<br />
på <strong>en</strong> slik måte at selve forløpet av<br />
tidsrekk<strong>en</strong> glattes ut.<br />
1.1 Når er tidsrekke-analyse<br />
velegnet?<br />
Ved første øyekast kan det synes som om<br />
slike metoder, som kun ser på data i tidsrekk<strong>en</strong><br />
og ikke ann<strong>en</strong> ut<strong>en</strong>forligg<strong>en</strong>de<br />
informasjon, som for eksempel i kvalitative<br />
metoder eller modeller med forklaringsfaktorer,<br />
ikke er egnet som hjelpemiddel<br />
i prognosearbeidet. Endrer forutsetning<strong>en</strong>e<br />
seg kan tidsrekkemodell<strong>en</strong>e,<br />
som utelukk<strong>en</strong>de bygger på historiske<br />
data, verk<strong>en</strong> forutsi <strong>en</strong>dringer eller reagere<br />
raskt på disse. Likevel finnes det<br />
avgr<strong>en</strong>sede områder hvor de både har gitt<br />
gode resultater og hevdet seg godt i tester<br />
mot andre metoder. Dette viser seg når<br />
samme tidsrekke blir testet opp mot<br />
andre prognosemetoder, blant annet<br />
regresjon, glattingsmodeller, Kalmanfilteret<br />
og ARIMA.<br />
Under stabile forhold, der forhold<strong>en</strong>e<br />
ikke <strong>en</strong>drer seg, er det rimelig å anta at<br />
de faktorer som tidligere forårsaket<br />
bevegelser i variabel<strong>en</strong> også vil fortsette<br />
å gjøre det i framtid<strong>en</strong>. Tidsrekkeanalyse<br />
vil derfor kunne gi gode prognoser under<br />
forutsetning av konstante ytre påvirkninger<br />
i framtid<strong>en</strong> som i fortid<strong>en</strong>.<br />
Tidsrekkeanalyse er spesielt velegnet til å<br />
lage kortsiktige prognoser (0,5 <strong>–</strong> 2 år<br />
avh<strong>en</strong>gig av produktets stabilitet). Over<br />
kortere perioder er mulighet<strong>en</strong> for <strong>en</strong>dring<br />
i ytre påvirkninger lit<strong>en</strong>. De fleste<br />
tidsserier har på kort sikt konstante ytre<br />
påvirkninger.<br />
Tidsrekkeanalyse er et ypperlig hjelpemiddel<br />
når tid<strong>en</strong> man har til rådighet er<br />
kritisk. D<strong>en</strong> er lett å implem<strong>en</strong>tere,<br />
bruker lit<strong>en</strong> maskinkapasitet (CPU-tid)<br />
og kan lett lages i tradisjonell programvare,<br />
ferdigvare eller på regneark. Analys<strong>en</strong><br />
er også et godt utgangspunkt før<br />
man begynner et stort analysearbeid med<br />
data. En slik analyse kan også kalles <strong>en</strong><br />
“første” prognose. D<strong>en</strong>ne “første”<br />
prognos<strong>en</strong> vil kunne vise hva som kan<br />
forv<strong>en</strong>tes av resultater.<br />
Tidsrekkeanalyse er nest<strong>en</strong> uvurderlig i<br />
forbindelse med vurdering av data.<br />
Metod<strong>en</strong> finner raskt mønstre i historiske<br />
data. Slike mønstre kan gi <strong>en</strong> bedre forståelse<br />
av tidligere bevegelser i data og<br />
ev<strong>en</strong>tuelt finne såkalte “outliers” i data.<br />
Når vi nå skal pres<strong>en</strong>tere metod<strong>en</strong>e vil vi<br />
starte med de mer <strong>en</strong>kle tilfell<strong>en</strong>e, de stasjonære,<br />
og til slutt <strong>en</strong>de opp med de mer<br />
kompliserte, tidsserier med tr<strong>en</strong>d og<br />
sesong. Vi vil starte med basisforutsetning<strong>en</strong>e<br />
for vanlig glatting og ekspon<strong>en</strong>tiell<br />
glatting og etter hvert utvide disse<br />
til Holts og Holt-Winters metode (tr<strong>en</strong>d<br />
og tr<strong>en</strong>d med sesong).<br />
1.1.1 Basis forutsetninger<br />
La oss anta at vi har n observasjoner av<br />
<strong>en</strong> tidsrekke y:<br />
y1 , y2 , y3 , ..., yn La forv<strong>en</strong>tning<strong>en</strong> for tidsrekk<strong>en</strong> ved tidspunkt<br />
t være:<br />
Eyt = µ t<br />
La oss forutsette videre at tidsrekk<strong>en</strong><br />
består av to kompon<strong>en</strong>ter µ t og εt slik at:<br />
yt = µ t + εt εt er her et støyledd som g<strong>en</strong>ererer tilfeldige<br />
variasjoner. Det forutsettes at:<br />
Eεt = 0 (gj<strong>en</strong>nomsnitt etter u<strong>en</strong>delig<br />
målinger er 0)<br />
Var εt = s2 (variasjon<strong>en</strong> er gitt ved<br />
kvadratet av s) er konstant.<br />
Dette betyr at verdi<strong>en</strong> til yt g<strong>en</strong>ereres av<br />
forv<strong>en</strong>tningsverdi<strong>en</strong> µ t og støyleddet εt .<br />
Støyleddet εt vil veksle mellom positive<br />
og negative verdier, og dersom disse<br />
legges samm<strong>en</strong> over et tilstrekkelig antall<br />
målinger vil snittet være lik 0.<br />
2 Glid<strong>en</strong>de gj<strong>en</strong>nomsnitt<br />
Oftest refereres glid<strong>en</strong>de<br />
gj<strong>en</strong>nomsnitt/glatting til <strong>en</strong> prosedyre<br />
hvor man veier data for å glatte disse ut<br />
og fjerne ev<strong>en</strong>tuelle uregelmessigheter.<br />
Ved å bruke glatting vil man kunne få<br />
ev<strong>en</strong>tuell informasjon om tr<strong>en</strong>der,<br />
sesongmønstre eller sykler i data<strong>en</strong>e.<br />
Dette er viktig for å kunne starte på<br />
utvikling og valg av <strong>en</strong> prognosemodell.<br />
Glid<strong>en</strong>de gj<strong>en</strong>nomsnitt vil danne <strong>en</strong> logisk<br />
start for pres<strong>en</strong>tasjon<strong>en</strong> av glattingsmodell<strong>en</strong>e,<br />
som eg<strong>en</strong>tlig er mer eller<br />
mindre sofistikerte utvidelser av d<strong>en</strong><br />
<strong>en</strong>kle metod<strong>en</strong> “glid<strong>en</strong>de gj<strong>en</strong>nomsnitt”.<br />
En tidsrekke er stasjonær om d<strong>en</strong> varierer<br />
rundt <strong>en</strong> konstant verdi. Selv om d<strong>en</strong>ne<br />
konstante verdi<strong>en</strong> vil variere noe over tid<br />
vil ikke d<strong>en</strong>ne variasjon<strong>en</strong> kunne tolkes<br />
som verk<strong>en</strong> tr<strong>en</strong>d eller sesong. Vi kan si:<br />
En stasjonær tidsserie har konstant<br />
variasjon og inneholder verk<strong>en</strong> tr<strong>en</strong>d<br />
eller sesong.<br />
I praksis vil ing<strong>en</strong> tidsserier være stasjonære<br />
over <strong>en</strong> lang periode, m<strong>en</strong> det er<br />
mulig over <strong>en</strong> kort periode. De to metod-