- •Глава 1. Применение математического ожидания и стандартного
- •Глава 2. Линейная регрессия стр. 5
- •Глава 3. Временные ряды стр. 20
- •Глава 1. Применение математического ожидания и стандартного отклонения для оценки риска
- •Глава 2. Линейная регрессия
- •1. Простая модель линейной регрессии
- •2. Ошибки
- •3. Коэффициент корреляции пирсона. Коэффициент детерминации
- •5. Основные предпосылки модели парной линейной регрессии
- •6. Процедура испытания гипотез
- •4. Предсказания и прогнозы на основе линейной модели регрессии
- •7. Испытание гипотезы для оценки линейности связи
- •7.1. Испытание гипотезы для оценки линейности связи на основе оценки коэффициента корреляции в генеральной совокупности
- •7.2. Испытание гипотезы для оценки линейности связи на основе показателя наклона линейной регрессии
- •8. Доверительные интервалы в линейном регрессионном анализе
- •9. Регрессия и ms excel
- •Глава 3. Временные ряды
- •1. Анализ аддитивной модели
- •2. Анализ мультипликативной модели
- •3. Преимущества и недостатки метода скользящей средней
- •Список вопросов для зачета
2. Анализ мультипликативной модели
В некоторых временных рядах значение сезонной вариации – это определенная доля трендового значения, то есть сезонная вариация увеличивается с возрастанием значений тренда. В таких случаях используется мультипликативная модель.
Для мультипликативной модели фактическое значение A = трендовое значение T × сезонная вариация S × ошибка E.
Пример 7. В таблице указан объем продаж (тыс. руб.) за последние 11 кварталов. Дадим на основании этих данных прогноз объема продаж на следующие два квартала.
Квартал |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
Объем продаж |
63 |
74 |
79 |
120 |
67 |
79 |
88 |
130 |
69 |
82 |
90 |
Числа 2-го столбца приведенной далее таблицы делим на числа 4-го столбца и результат (округляем до трех цифр после запятой) запишем в 5-й столбец.
Номер квартала |
Объем продаж |
Скользящая средняя за 4 квартала |
Центрированная скользящая средняя |
Оценка сезонной вариации |
1 |
63 |
|
|
|
2 |
74 |
|
|
|
3 |
79 |
84 |
84,5 |
0,935 |
4 |
120 |
85 |
85,625 |
1,401 |
5 |
67 |
86,25 |
87,375 |
0,767 |
6 |
79 |
88,5 |
89,75 |
0,880 |
7 |
88 |
91 |
91,25 |
0,964 |
8 |
130 |
91,5 |
91,875 |
1,41 |
9 |
69 |
92,25 |
92,5 |
0,746 |
10 |
82 |
92,75 |
|
|
11 |
90 |
|
|
|
|
Номер квартала в году |
|
|||
|
1 |
2 |
3 |
4 |
|
|
|
|
0,935 |
1,401 |
|
|
0,767 |
0,880 |
0,964 |
1,415 |
|
|
0,746 |
|
|
|
Сумма |
Среднее |
0,756 |
0,880 |
0,950 |
1,408 |
3,994 |
Скорректированная сезонная вариация |
0,757 |
0,881 |
0,952 |
1,410 |
4,000 |
Значения сезонной вариации – это доли. Число сезонов равно 4. Поэтому необходимо, чтобы сумма средних была равна 4. У нас же получилось 3,994. Следовательно, итоговые коэффициенты сезонности нужно умножить на множитель 4/3,994. В последней строке указаны окончательные коэффициенты сезонности.
Как показывают полученные оценки, в 1-м, 2-м и 3-м кварталах года объем продаж снижается соответственно на 24,3%, 11,9% и 4,8% от соответствующих трендовых значений. В 4-м квартале года объем продаж увеличивается на 41% от соответствующего трендового значения.
Исключим сезонную вариацию из фактических данных. Проведем десезонализацию данных. Числа 2-го столбца таблицы делим на числа 3-го столбца, результат округляем до одной цифры после запятой и пишем в 4-й столбец.
Номер квартала |
Объем продаж А |
Сезонная вариация S |
Десезонализированный объем продаж A/S=T×Е |
1 |
63 |
0,757 |
83,2 |
2 |
74 |
0,881 |
84,0 |
3 |
79 |
0,952 |
83,0 |
4 |
120 |
1,41 |
85,1 |
5 |
67 |
0,757 |
88,5 |
6 |
79 |
0,881 |
89,7 |
7 |
88 |
0,952 |
92,4 |
8 |
130 |
1,41 |
92,2 |
9 |
69 |
0,757 |
91,1 |
10 |
82 |
0,881 |
93,1 |
11 |
90 |
0,952 |
94,5 |
Уравнение линии тренда T = a + bx.
Используя результаты пункта 1, найдем коэффициенты a и b по данным первого и последнего столбцов.
Трендовое значение объема продаж = 81,6 + 1,2 × (номер квартала). Теперь займемся расчетом ошибок.
Номер квартала |
Объем продаж A |
Коэффициент сезонности S |
Десезонализированный объем продаж A – S = T + E |
Трендовое значение |
Ошибка еt |
| еt | |
еt2 |
1 |
63 |
0,757 |
83,2 |
82,8 |
0,4 |
0,4 |
0,16 |
2 |
74 |
0,881 |
84,0 |
84 |
0,0 |
0,0 |
0,00 |
3 |
79 |
0,952 |
83,0 |
85,2 |
-2,2 |
2,2 |
4,84 |
4 |
120 |
1,41 |
85,1 |
86,4 |
-1,3 |
1,3 |
1,69 |
5 |
67 |
0,757 |
88,5 |
87,6 |
0,9 |
0,9 |
0,81 |
6 |
79 |
0,881 |
89,7 |
88,8 |
0,9 |
0,9 |
0,81 |
7 |
88 |
0,952 |
92,4 |
90 |
2,4 |
2,4 |
5,76 |
8 |
130 |
1,41 |
92,2 |
91,2 |
1,0 |
1,0 |
1,00 |
9 |
69 |
0,757 |
91,1 |
92,4 |
-1,3 |
1,3 |
1,69 |
10 |
82 |
0,881 |
93,1 |
93,6 |
-0,5 |
0,5 |
0,25 |
11 |
90 |
0,952 |
94,5 |
94,8 |
-0,3 |
0,3 |
0,09 |
|
Сумма |
11,2 |
17,10 |
||||
Среднее абсолютное отклонение MAD = ∑│et│/ n = 11,2/11 ≈ 1, среднеквадратическая ошибка MSE = ∑│et2│/ n = 17,1/11 ≈ 1,6. Мы видим, что ошибки малы и составляют порядка 1%. Это позволяет получить хорошие краткосрочные прогнозы.
Дадим прогноз объема продаж на следующие два квартала. Мы считаем, что тенденция, выявленная по прошлым данным, сохранится и в ближайшем будущем. Подставляем номера кварталов в формулу и учитываем сезонную вариацию.
Прогноз объема продаж в 12-м квартале: (81,6 + 1,2×12) × 1,41 % ≈ 135,4 тыс. руб. Прогноз объема продаж в 13-м квартале: (81,6 + 1,2×13) × 0,757 ≈ 73,6 тыс. руб.
Замечание. Excel позволяет быстро вычислить оценки методом скользящей средней. Сервис → Анализ данных → Скользящее среднее → ОК. Появляется диалоговое окно, которое нужно заполнить. В графе Интервал вводится количество сезонов, для которых вычисляется скользящее среднее (по умолчанию это 3). Если требуется график, на котором будут указаны прогнозные и фактические значения, то нужно поставить «галочку» рядом со словосочетанием Вывод графика. ОК. Появляется итоговая таблица, которая содержит исходные данные и оценки, полученные методом скользящей средней. Если оценка находилась как среднее k слагаемых, то в таблице оценок она находится напротив последнего из этих k слагаемых.
