Download PDF file - Telektronikk
Download PDF file - Telektronikk
Download PDF file - Telektronikk
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
168<br />
der<br />
ˆσ β* =<br />
ˆσ =<br />
ˆy t = ˆα + ˆ βZ t<br />
(3.15)<br />
(3.16)<br />
De beregnede standardavvik for ˆα og<br />
βˆ<br />
blir da:<br />
ˆσ α = ˆσ α*<br />
S<br />
⎛ S<br />
2⎞<br />
S⎜ ∑ Z<br />
t ⎟<br />
⎝ t=1 ⎠<br />
(3.14)<br />
− Z 2<br />
⎛ S ⎞<br />
⎜ ∑ t ⎟<br />
⎝ t=1 ⎠<br />
ˆσ<br />
( ) 2<br />
1 S<br />
∑ yt − ˆy t<br />
S − 2 t=1<br />
(3.17)<br />
(3.18)<br />
Ved bruk av utvidelsen av Wrights lærekurvemodell<br />
med to parametere vil de<br />
angitte formler for standardavvik være<br />
nedre grense fordi observasjonene ikke<br />
er uavhengige, da de er akkumulerte<br />
verdier.<br />
Dersom vi imidlertid bruker Crawfords<br />
lærekurvemodell med den utvidelsen som<br />
er foreslått med to parametere, vil de<br />
observasjonene som ligger til grunn være<br />
uavhengige, og de estimerte standardavvik<br />
kan da brukes direkte.<br />
Dersom det eksisterer rimelig mange observasjoner,<br />
vil et intervall på to ganger<br />
standardavviket til hver side for estimert<br />
parameterverdi angi et tilnærmet 95 %<br />
konfidensintervall. Dette intervallet angir<br />
da usikkerheten i de estimerte parameterverdien.<br />
Ved få observasjoner benyttes<br />
97,5 % fraktilen (ts-2, 0,975 ) istedenfor<br />
delingen med s-2 frihetsgrader som en<br />
multiplikator til estimert standardavvik.<br />
95 % konfidensintervall blir da:<br />
ˆσ β = e ˆσβ*<br />
Iα ,0,95 =<br />
ˆα − t ˆσ S−2,0,975 α , ˆα + t ˆσ S−2,0,975 α<br />
[ ]<br />
Iβ ,0,95 =<br />
ˆβ − t ˆσ S−2,0,975 β , ˆ β + t ˆσ S−2,0,975 β<br />
[ ]<br />
(3.19)<br />
(3.20)<br />
Etter hvert som observasjonene i (3.2)<br />
fremkommer, kan lærekurvene bestemmes<br />
ved estimering av α og β.<br />
Deretter kan standardavvik og konfidensintervall<br />
beregnes. Dette gir oss<br />
mulighet til å se hvor signifikante verdiene<br />
på og er.<br />
ˆ ˆα β<br />
4 Modell for prognoser på<br />
pris på nettkomponenter<br />
som funksjon av tiden<br />
Hittil har vi sett på utviklingen av pris på<br />
en nettkomponent som funksjon av produksjonsvolumet.<br />
Det som er enda mer<br />
interessant, er å finne en modell for<br />
denne prisen som funksjon av tiden.<br />
For å kunne bruke de utvidede Wrights<br />
og Crawfords lærekurvemodeller med to<br />
parametere er det nødvendig å føre inn en<br />
prognosemodell. La totalt (akkumulert)<br />
antall produserte enheter ved tidspunkt t<br />
være gitt ved n(t). De observasjoner som<br />
er kjent, er:<br />
n(1), n(2), ..., n(s) (4.1)<br />
Ut fra observasjonene kan det nå lages en<br />
prognose for akkumulert antall produserte<br />
enheter. Hvis s er forholdsvis stor,<br />
kan vi bruke tradisjonelle prognosemodeller<br />
til prognostiseringen. Aktuelle prognosemodeller<br />
er:<br />
- Enkel regresjonsmodell<br />
- Multippel regresjonsmodell<br />
- Holt glattingsmodell<br />
- Holt-Winters glattingsmodell<br />
- Tidsrekkemodeller med eller uten<br />
sesongkomponenter<br />
- Transfermodeller<br />
- Kalmanfiltermodeller<br />
- Metningsmodeller.<br />
Prognoser for akkumulert produksjonsvolum<br />
ved tidspunkt T ved bruk av den<br />
prognosemodell som passer best til dataunderlaget<br />
betegnes med<br />
(4.2)<br />
ˆn(T )<br />
Ved å sette denne størrelsen inn i likning<br />
(3.1) sammen med de estimerte parametrene<br />
fra likning (3.11) og (3.12) fås:<br />
ˆ P (n)T = ˆα ˆn(T ) ˆ β<br />
ˆ P n(T )<br />
(4.3)<br />
Her er da prognostisert pris på den<br />
aktuelle nettkomponenten ved tidspunkt<br />
T.<br />
På analog måte finnes prisprognoser for<br />
den aktuelle nettkomponent ved bruk av<br />
Crawfords utvidete modell.<br />
5 Prisprognoser på nettkomponenter<br />
når dataunderlaget<br />
er begrenset<br />
I de tilfeller hvor nye nettkomponenter<br />
introduseres, vil det være et spinkelt<br />
dataunderlag. Dersom det kun er en produksjonsserie<br />
og vi har en observasjon,<br />
er det ikke mulig å benytte utvidelse av<br />
Wrights og Crawfords lærekurvemodeller,<br />
som jo er basert på to parametere.<br />
Men med en gang vi har to eller flere<br />
observasjoner kan dette gjøres.<br />
Anta at vi er i introduksjonsfasen av en<br />
ny nettkomponent og at vi har noen få<br />
observasjoner. Da vil vi kunne benytte de<br />
modeller som er utviklet i kapittel 3 til<br />
estimering av pris som funksjon av produksjonsvolum.<br />
Når det gjelder prognose for produksjonsvolum,<br />
vil det være naturlig å ta<br />
utgangspunkt i en modell i klassen av<br />
metningsmodeller. Den mest brukte er<br />
den Logistiske modellen.<br />
Den Logistiske modellen brukes gjerne<br />
for å beskrive startfasen av et produkts<br />
utvikling eller sluttfasen når produktet<br />
nærmer seg metning. Den Logistiske<br />
modellen er gitt ved:<br />
n(t) = M(1 + ea+bt ) -g (5.1)<br />
der<br />
n(t) er akkumulert antall enheter ved<br />
tidspunk t<br />
M er markedspotensialet<br />
a, b, g er parametere i modellen.<br />
Utgangspunktet er nå at s observasjoner,<br />
se 4.1, er kjente. Ut fra dette skal de fire<br />
parametrene M, a, b og g estimeres. Dersom<br />
s er liten, kan det være nødvendig å<br />
fastsette verdier på M og g. g kan ut fra<br />
erfaring [6] velges som et høyt tall, mens<br />
M må anslås lik et forventet markedspotensial.<br />
Ved å foreta en lineær transformasjon<br />
kan a og b estimeres ved minste kvadraters<br />
metode.<br />
Det er imidlertid ikke mulig å benytte<br />
minste kvadrats metode til å estimere alle<br />
fire parametrene simultant. I [6] er det<br />
imidlertid vist en rekursiv iterasjonsprosedyre<br />
som kan benyttes til å estimere<br />
alle fire parametrene i modellen (5.1).<br />
Dermed vil:<br />
ˆn(T )= ˆ M 1 + e â+ ˆ − ˆg<br />
⎛ bT ⎞<br />
⎜ ⎟<br />
⎝ ⎠<br />
(5.2)