Prognosemetoder – en oversikt - Telenor

96
Figur 7.2 Residualer
fra lineær
modell plottet som
funksjon av tiden
Figur 7.3 Observerte
og tilpassede
verdier fra den
lineære modellen
Figur 7.4 Normalfordelingsplott
av
residualene i den
lineære modellen
Resudualer (x 1000)
1
0.7
0.4
-0.1
-0.2
-0.5
-0.8
67
63
59
55
0 3 6 9 12 15 18
tid
Observert verdi (x 1000)
51
47
43
43 47 51 55 59 63 67
Tilpasset verdi (x1000)
Kumulativ %
99.9
99
95
80
50
20
5
1
0.1
-0.8 -0.5 -0.2 0.1 0.4 0.7 1
Residualer
figur, men hvor det i hvert observasjonspunkt
er tegnet inn et 95 % konfidensintervall
for tilpasningen. Dette er vist i
figur 7.6. Det ses av denne figuren at den
relative usikkerheten til modellen er
svært liten. Det må her tas i betrakning at
tellerskrittaksen starter på 42 000. På
grunn av identifikasjon av korrelasjon i
støyleddene kan imidlertid konfidensintervallet
være noe større enn det som her
er satt opp.
Vi ser til slutt på estimatene som modellen
gir. Estimatet av β 2 er 288,4. Standardavviket
(ikke vist i tabell 7.1) er 6,9
og må betraktes som lite. Vi har altså et
relativt skarpt estimat for β 2 . Dette betyr
at modellen anslår at hvert nytt abonnement
gir ca 288 tellerskritt i kvartalet (+/-
14 tellerskritt). Dette er noe lavt, tatt i
betraktning at abonnementene både inneholder
privat- og forretningsabonnenter.
Estimatet for β 4 er 830,1. Det angir hvor
mange tellerskritt en ekstra virkedag
bidrar med. Dette estimatet synes også
svært lavt.
Tilsvarende gjelder også estimatene for
β53 og β54 : Tallverdien til estimatene
virker svært lave.
Siden variabelen Tt ikke er funnet signifikant
i denne analysen, fikk vi ikke
støtte for hypotesen om at nye abonnement
genererer færre tellerskritt enn de
gamle.
Heller ikke ble noen av prisvariablene
funnet signifikante. Dette er ikke uvanlig
i analyser hvor det er lite variasjon i prisdata.
Her er det imidlertid brukbar variasjon,
og vi hadde derfor ventet å finne at
realprisene var signifikante.
Vi skal nå se nærmere på dette problemet
ved å prøve den andre modelltypen som
vi spesifiserte i kapittel 2.2 – den loglineære
modellen.
8 Loglineær
prognosemodell
8.1 Additiv og multiplikativ
effekt av forklaringsvariablene
Vi har så langt sett på modeller med
additiv effekt. Det betyr at hver forklaringsvariabel
har gitt additive bidrag til
modellen. I den modelltypen vi nå skal se
på, gir forklaringsvariablene multiplikativ
effekt. Det betyr at variablene multipliseres
sammen. Vi får da en forsterket
effekt av forklaringsvariablene, se
kapittel 2.2.