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.
Regresjonsmodeller<br />
AV KJELL STORDAHL, CARLO HJELKREM OG JOHANNES BØE<br />
1 G<strong>en</strong>erelt<br />
Regresjonsmodeller er <strong>en</strong> av de mest<br />
b<strong>en</strong>yttede modelltyper for prognostisering.<br />
Styrk<strong>en</strong> til regresjonsmodell<strong>en</strong>e er at<br />
det er lett og samtidig modellmessig <strong>en</strong>kelt<br />
å bygge modeller med flere forklaringsvariable.<br />
Økonom<strong>en</strong>e bruker i stor<br />
grad regresjonsmodeller der det inkluderes<br />
ulike økonomiske variable for å lage<br />
prognoser.<br />
Regresjonsmodeller kan brukes til å lage<br />
både kort-, medium- og langtidsprognoser.<br />
G<strong>en</strong>erelt kan det sies at regresjonsmodeller<br />
kan egne seg svært godt til å<br />
lage langtidsprognoser fordi det er lettere<br />
å modellere inn årsakssamm<strong>en</strong>h<strong>en</strong>ger i<br />
regresjonsmodell<strong>en</strong>e i forhold til andre<br />
prognosemodeller. På d<strong>en</strong> ann<strong>en</strong> side er<br />
det viktig å være klar over at selv om <strong>en</strong><br />
har laget <strong>en</strong> svært god modell ved å b<strong>en</strong>ytte<br />
flere forklaringsvariable, er det ikke<br />
sikkert at mulighet<strong>en</strong>e er til stede for å<br />
lage gode prognoser. Det skyldes at de<br />
prognos<strong>en</strong>e som skal lages betinger at det<br />
også må lages prognoser for utvikling<strong>en</strong><br />
av de ulike forklaringsvariable som inngår<br />
i modell<strong>en</strong>. Dersom disse prognos<strong>en</strong>e<br />
er svært usikre hjelper det ikke at selve<br />
prognosemodell<strong>en</strong> har <strong>en</strong> svært god tilpasning.<br />
Det er kombinasjon<strong>en</strong> av kvalitet<strong>en</strong><br />
på prognosemodell og på prognos<strong>en</strong>e<br />
for forklaringsvariable i modell<strong>en</strong><br />
som til samm<strong>en</strong> står for kvalitet<strong>en</strong> på<br />
prognos<strong>en</strong>e.<br />
Av klassiske verker inn<strong>en</strong> regresjonsanalyse<br />
h<strong>en</strong>vises det til [1], [2], [3], [4]<br />
og [5].<br />
I økonometri er <strong>en</strong> opptatt av å måle og<br />
empirisk teste økonomiske samm<strong>en</strong>h<strong>en</strong>ger.<br />
Viktige mom<strong>en</strong>ter er teori,<br />
observasjon og statistiske samm<strong>en</strong>h<strong>en</strong>ger.<br />
Fra økonomisk teori kan det, under gitte<br />
forutsetninger, utledes utsagn om samm<strong>en</strong>h<strong>en</strong>ger<br />
mellom økonomiske variable,<br />
ofte uttrykt som likninger. Imidlertid er<br />
koeffisi<strong>en</strong>t<strong>en</strong>e i slike likninger sjeld<strong>en</strong><br />
spesifisert numerisk. M<strong>en</strong>s økonomisk<br />
teori ofte kan angi fortegnet eller retning<strong>en</strong><br />
til respons<strong>en</strong> i <strong>en</strong> økonomisk variabel<br />
når relevante forklaringsvariable<br />
<strong>en</strong>dres, er teori<strong>en</strong> ikke i stand til å angi<br />
størrels<strong>en</strong> på d<strong>en</strong>ne respons<strong>en</strong>. Det er her<br />
økonometri<strong>en</strong> hjelper oss ved å konfrontere<br />
teori<strong>en</strong> med faktiske observasjoner.<br />
D<strong>en</strong> statistiske modellering<strong>en</strong> foregår som<br />
regel ved hjelp av regresjon. En naturlig<br />
forl<strong>en</strong>gelse av de modeller som bygges<br />
vha økonometriske metoder er å la disse<br />
foreta projiseringer inn i fremtid<strong>en</strong>, dvs<br />
prognoser.<br />
Av klassiske verker inn<strong>en</strong> økonometri<br />
h<strong>en</strong>vises det f eks til [6], [7], [8] og [9].<br />
I d<strong>en</strong>ne artikkel<strong>en</strong> går vi spesielt inn på å<br />
lage prognoser for tellerskritt basert på<br />
d<strong>en</strong> utvikling vi har sett de siste år<strong>en</strong>e <strong>–</strong><br />
det vil si fra og med 1989. Tilrettelegging<br />
av tellerskrittsdata med de justeringer<br />
av data som må gjøres, er omtalt i detalj i<br />
[10]. Kort skissert er problemstilling<strong>en</strong> at<br />
tellerskritt<strong>en</strong>es l<strong>en</strong>gde <strong>en</strong>dres fra tid til<br />
ann<strong>en</strong>. Dette er <strong>en</strong> av to måter å <strong>en</strong>dre<br />
tellerskrittspris<strong>en</strong> på, <strong>–</strong> d<strong>en</strong> andre er å<br />
<strong>en</strong>dre selve krone-pris<strong>en</strong>. Endringer i<br />
tellerskrittsl<strong>en</strong>gd<strong>en</strong> gir imidlertid tydelige<br />
hopp i data-rekk<strong>en</strong> for tellerskritt, fordi<br />
tellerskritt<strong>en</strong>e i ulike takstklasser som<br />
regel er forl<strong>en</strong>get (dvs at pris<strong>en</strong> er redusert)<br />
ut<strong>en</strong> at dette er komp<strong>en</strong>sert med tilsvar<strong>en</strong>de<br />
økning i antall tellerskritt. Slike<br />
hopp kan i prinsippet modelleres inn i <strong>en</strong><br />
prognosemodell ved hjelp av teknikker<br />
for beskrivelse av såkalte nivåskift.<br />
Imidlertid vil stadige nivåskift gi <strong>en</strong> så<br />
stor modell med så mange parametere at<br />
dette reduserer sikkerhet<strong>en</strong> betraktelig.<br />
Vi har derfor valgt å regne om alle historiske<br />
tellerskrittsdata til “volum tellerskritt”,<br />
med tellerskrittsl<strong>en</strong>gd<strong>en</strong>e i 1993<br />
som <strong>en</strong>het. Vi får da <strong>en</strong> tidsserie som er<br />
Tabell 1.1 Tellerskritt og volum tellerskritt<br />
pr kvartal. Region Oslo. Konstruerte<br />
tall<br />
Avleste ts Volum ts<br />
1.kv.89 61965 47586<br />
2.kv.89 62438 47949<br />
3.kv.89 57702 44480<br />
4.kv.89 64169 49808<br />
1.kv.90 61875 52378<br />
2.kv.90 57287 48494<br />
3.kv.90 52156 47446<br />
4.kv.90 58736 53432<br />
1.kv.91 54375 54150<br />
2.kv.91 56051 55819<br />
3.kv.91 52367 52151<br />
4.kv.91 57984 57744<br />
1.kv.92 60869 61051<br />
2.kv.92 57151 57321<br />
3.kv.92 57064 57196<br />
4.kv.92 62131 62275<br />
1.kv.93 66964 65005<br />
2.kv.93 64370 62487<br />
70<br />
50<br />
30<br />
10<br />
samm<strong>en</strong>liknbar over tid og uavh<strong>en</strong>gig av<br />
historiske <strong>en</strong>dringer i tellerskrittsl<strong>en</strong>gd<strong>en</strong>.<br />
Omregning<strong>en</strong> fra tellerskritt til volum<br />
tellerskritt tar h<strong>en</strong>syn til ulike takstklassers<br />
vekter, fordeling mellom full og<br />
redusert takst og samtaletidsfordeling<strong>en</strong><br />
for de ulike takstklasser. Se mer om dette<br />
i [10].<br />
De modell<strong>en</strong>e som utvikles og pres<strong>en</strong>teres<br />
her, brukes ikke offisielt i Televerket.<br />
Data<strong>en</strong>e er noe fordreid av konfid<strong>en</strong>sielle<br />
og forretningsmessige h<strong>en</strong>syn.<br />
For øvrig er modell<strong>en</strong>e laget som om<br />
data var virkelige.<br />
2 Aktuelle prognosemodeller<br />
Før vi ser etter forklaringsfaktorer og på<br />
aktuelle modeller, er det naturlig å studere<br />
selve tidsrekk<strong>en</strong> som da angir etterspørsel<strong>en</strong><br />
etter tellerskritt fra primo 1989<br />
til medio 1993. Etterspørselsrekk<strong>en</strong> som<br />
er vist i figur 2.1 er angitt i kvartalsvise<br />
observasjoner.<br />
Det kan ses at d<strong>en</strong>ne tidsrekk<strong>en</strong> skifter<br />
nivå ved <strong>en</strong>kelte årsskifter. Dette skyldes<br />
at l<strong>en</strong>gd<strong>en</strong> på tellerskrittet på ulike<br />
Tellerskritt (x1000)<br />
70<br />
50<br />
30<br />
10<br />
1.kv/89<br />
Volum tellerskritt (x1000)<br />
1.kv/89<br />
001.18:621.39<br />
1.kv/90 1.kv/91 1.kv/92 1.kv/93<br />
Figur 2.1 Kvartalsvis tellerskrittutvikling fra 1/89 til<br />
2/93<br />
1.kv/90 1.kv/91 1.kv/92 1.kv/93<br />
Figur 2.2 Kvartalsvis utvikling av volum tellerskritt fra<br />
1/89 til 2/93<br />
87