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.
snittobservasjon veier likt. Videre kan<br />
det være interessant å kunne veie siste<br />
observasjon mer <strong>en</strong>n de tidligere. Vi<br />
beveger oss dermed mot <strong>en</strong> mer intellig<strong>en</strong>t<br />
form for tidsrekkemodeller som veier<br />
observasjon<strong>en</strong>e forskjellig avh<strong>en</strong>gig av<br />
alder<strong>en</strong> på disse.<br />
3 Ekspon<strong>en</strong>tiell glatting<br />
Ekspon<strong>en</strong>tiell glatting (og veiet glid<strong>en</strong>de<br />
gj<strong>en</strong>nomsnitt), ref innledningsartikkel, er<br />
forholdsvis like metoder. De kan være<br />
helt ekvival<strong>en</strong>te dersom parametr<strong>en</strong>e<br />
bestemmes på <strong>en</strong> bestemt måte. Metod<strong>en</strong><br />
baseres på å veie observasjon<strong>en</strong>e<br />
avh<strong>en</strong>gig av avstand<strong>en</strong> fra siste observasjon.<br />
Dette fordi det er rimelig å anta at<br />
siste observasjon<strong>en</strong> har størst betydning<br />
og dermed størst vekt.<br />
D<strong>en</strong> glattede tidsseri<strong>en</strong> er gitt ved<br />
likning<strong>en</strong><br />
ny glattet verdi<br />
= a(tidligere glattet verdi)<br />
+ (1-a)(sist observert verdi)<br />
hvor a er et tall mellom 0 og 1.<br />
Vi må t<strong>en</strong>ke oss å være i tid<strong>en</strong> t = 1 (altså<br />
første observasjon), d<strong>en</strong> <strong>en</strong>este kj<strong>en</strong>te<br />
verdi<strong>en</strong> vi har er y1 . Så l<strong>en</strong>ge vi bare vet<br />
<strong>en</strong> verdi kan vi bare anslå neste observasjon<br />
ut fra d<strong>en</strong> første (y1 ), vi kan da si at<br />
estimatet y'2 for y2 (observerte verdi ved<br />
tid<strong>en</strong> t = 2) er det samme som for første<br />
verdi y1 = y '2 .<br />
Når vi s<strong>en</strong>ere observerer verdi y2 , blir<br />
spørsmålet :<br />
Hvor mye vekt skal siste observerte<br />
verdi ha i forhold til de tidligere<br />
observerte verdier?<br />
G<strong>en</strong>erelt kan vi si:<br />
y't er altså et estimat for observasjon i<br />
tid<strong>en</strong> t, y't er beregnet på bakgrunn av<br />
tidligere observasjoner.<br />
De tidligere observerte verdier er lagt inn<br />
i estimatet for y2 . Nå er y2 observert, og<br />
vi fortsetter med å estimere y3 på bakgrunn<br />
av y1 og y2 , observerer så y3 og<br />
vekter gammel informasjon og ny<br />
informasjon og estimerer neste.<br />
Uttrykt matematisk blir dette:<br />
y't = ay't-1 + (1-a)yt Dette kalles <strong>en</strong> rekursiv funksjon og alle<br />
rekursive funksjoner må “sparkes” i<br />
gang. Hva er estimatet for y 1 ved tid<strong>en</strong><br />
t = 1 når y' 0 ikke finnes? Vi har da ing<strong>en</strong><br />
informasjon og vi tr<strong>en</strong>ger <strong>en</strong> “startverdi”.<br />
D<strong>en</strong>ne startverdi<strong>en</strong> kan <strong>en</strong>t<strong>en</strong> gjettes<br />
på bakgrunn av informasjon om tidsseri<strong>en</strong>,<br />
det kan brukes backcasting<br />
(prognose på omv<strong>en</strong>dt tidsserie) eller<br />
d<strong>en</strong> kan settes fritt. Dette kan avh<strong>en</strong>ge<br />
av antall data som er til rådighet. Et<br />
godt alternativ til backcasting er som<br />
nevnt over å bruke d<strong>en</strong> første verdi<strong>en</strong><br />
som startverdi.<br />
Parameter<strong>en</strong> a er mellom 0 og 1,<br />
d<strong>en</strong>ne bestemmes ut fra hvilk<strong>en</strong> a<br />
som passer best avh<strong>en</strong>gig av hvor stor<br />
følsomhet d<strong>en</strong>ne har på hver <strong>en</strong>kel<br />
tidsserie. En høy verdi på a vil gi <strong>en</strong><br />
modell som føyer seg meget godt inntil<br />
tidsseri<strong>en</strong> ut<strong>en</strong> at dette nødv<strong>en</strong>digvis<br />
vil gi gode prognoser.<br />
Et eksempel her kan være månedlige<br />
netto etterspørselstall for telefon, se<br />
tabell 2, og glatte disse hvor glattingsparameter<br />
a varierer (a = 0,9, a =<br />
0,5). Figur 3 viser hvordan d<strong>en</strong> glattede<br />
kurv<strong>en</strong> <strong>en</strong>drer seg med variasjon i<br />
glattingsparameter<strong>en</strong> a.<br />
Vi ser av de observerte data at disse<br />
varierer voldsomt mellom verdi<strong>en</strong>e<br />
500 til 2500. Videre kan vi se at ved<br />
observasjon nr 55 <strong>en</strong>dres nivået på<br />
kurv<strong>en</strong>. D<strong>en</strong> glattede kurv<strong>en</strong> med<br />
glattingsparameter a = 0,5 reagerer<br />
raskere <strong>en</strong>n kurv<strong>en</strong> med glattingsparameter<br />
a = 0,975. Dette kan forklares<br />
ut fra modell-likning<strong>en</strong>. Med<br />
<strong>en</strong> stor a legges det mye vekt på tidligere<br />
observasjoner og lit<strong>en</strong> vekt på<br />
d<strong>en</strong> siste, og man kan si at stor a<br />
medfører treghet i glattingsmodell<strong>en</strong>.<br />
Ved lit<strong>en</strong> a reagerer d<strong>en</strong> glattede<br />
kurv<strong>en</strong> raskt på nye <strong>en</strong>dringer.<br />
Vi skal nå vise hvorfor metod<strong>en</strong><br />
kalles ekspon<strong>en</strong>tiell glatting. Med litt<br />
algebraisk manipulering vises dette<br />
raskt. Likning<strong>en</strong> for ekspon<strong>en</strong>tiell<br />
glatting er følg<strong>en</strong>de:<br />
y't = ay't-1 + (1-a)yt (1)<br />
Likning<strong>en</strong> for forrige periode var:<br />
y't-1 = ay't-2 + (1-a)yt-1 (2)<br />
Settes likning (2) inn i likning (1) får<br />
vi:<br />
y't = aay't-2 + (1-a)ayt-1 + (1-a)yt eller<br />
y't = (1-a)yt + (1-a)ayt-1 + aay't-2 Fortsetter vi på d<strong>en</strong>ne måt<strong>en</strong> får vi til<br />
slutt:<br />
(x 100)<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
-5<br />
1/84<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
-5<br />
1<br />
observert verdi<br />
12<br />
1/85 1/86 1/87 1/88 1/89 1/90 1/91<br />
Figur 2 Grafisk framstilling av tabell 2 i form av rådata<br />
og 12 måneders glid<strong>en</strong>de gj<strong>en</strong>nomsnitt<br />
(x 100)<br />
observert verdi<br />
0.975<br />
0.5<br />
13 25 37 49 61 73 85<br />
Figur 3 Månedlig netto etterspørsel etter telefon og glattede<br />
kurver<br />
79