Upload
chung
View
59
Download
0
Embed Size (px)
DESCRIPTION
Managerial Decision Modeling. Cliff Ragsdale 6. edition. Chapter 11 Time Series Forecasting. Introduksjon til tidsserieanalyser. En tidsserie er en samling av observasjoner for en kvantifiserbar variabel registrert i kronologisk tidsrekkefølge . Eksempel Børsindekser - PowerPoint PPT Presentation
Citation preview
1
Managerial Decision Modeling
Cliff Ragsdale6. edition
Rasmus RasmussenBØK350 OPERASJONSANALYSE
Chapter 11Time Series Forecasting
2Rasmus RasmussenBØK350 OPERASJONSANALYSE
En tidsserie er en samling av observasjoner for en kvantifiserbar variabel registrert i kronologisk tidsrekkefølge.Eksempel
BørsindekserHistoriske data over salg, lager, antall kundebesøk, rentesatser, kostnader, etc.
Bedrifter er ofte interessert i å predikere tidsserie-variabler. Ofte finnes ikke uavhengige variabler som kan benyttes i en regresjonsmodell for en tidsserievariabel.I tidsserieanalyser analyserer vi den historiske utviklingen til en variabel for å kunne predikere dens framtidige utvikling.
Introduksjon til tidsserieanalyser
BØK350 OPERASJONSANALYSE 3Rasmus Rasmussen
Som å kjøre en bil ved å se på veien via speilet bakover:
Vi ser hvor veien har svingt tidligere, og forsøker å styre bilen deretter!
Prediksjoner basert på tidsserieanalyse
BØK350 OPERASJONSANALYSE 4Rasmus Rasmussen
Stasjonære data – en tidsserievariabel som ikke viser noen signifikant trend opp eller ned over tid.
Ikke-stasjonære data – en tidsserie-variabel som viser en tydelig trend opp eller ned over tid.
Sesong data – en tidsserievariabel som viser et repeterende mønster med jevne intervall over tid.
Noen tidsserieuttrykk
BØK350 OPERASJONSANALYSE 5Rasmus Rasmussen
Det finnes veldig, veldig mange forskjellige tidsserieanalysemetoder.
Det er vanligvis umulig å vite hvilken teknikk som vil passe best for et bestemt datasett.
Som regel prøves flere forskjellige teknikker, for å velge ut den som synes å passe best.
For å lage effektive tidsseriemodeller, må en ha flere forskjellige metoder i ”verktøyboksen”.
Bruk av tidsserieanalyse
BØK350 OPERASJONSANALYSE 6Rasmus Rasmussen
Forskjellige prediksjonsmodellerData Modeller som tillater skift i nivå/trend/sesong
Stasjonære dataKonstant nivå med tilfeldige variasjoner
Glidende gjennomsnittVeid glidende gjennomsnittEksponensiell glatting
Sesong Konstant nivå med sykliske variasjoner
Eksponensiell glatting / additiv sesongEksponensiell glatting / multiplikativ sesong
TrendLangsiktig generell endring i nivå
Dobbelt glidende gjennomsnittHolt’s metode (dobbel eksponensiell glatting)
Trend & Sesong
Holt-Winter med additiv sesongHolt-Winter med multiplikativ sesong
BØK350 OPERASJONSANALYSE 7Rasmus Rasmussen
Vi trenger et mål for å sammenligne hvordan forskjellige tidsseriemodeller passer til dataene.
Fire av de vanligste målene er:mean absolute deviation,
mean absolute percent error,
the mean square error,
root mean square error.
Vi vil fokusere på MSE.
Mål på nøyaktighet
1
ˆn i i
i
Y YMAD
n
1
ˆ100 n i i
i i
Y YMAPE
n Y
2
1
ˆn i i
i
Y YMSE
n
RMSE MSE
BØK350 OPERASJONSANALYSE 8Rasmus Rasmussen
En bør være på vakt når en sammenligner MSE verdier for forskjellige prediksjonsteknikker.
Den minste MSE kan være resultatet av en teknikk som passer gamle data meget godt men gjenspeiler nye data dårlig.
Noen ganger er det klokt å beregne MSE kun for de seneste observasjonene.
Sammenlign MSE for samme perioder.
Bør bruke blindtest !
En kommentar til bruk av feilmål
BØK350 OPERASJONSANALYSE 9Rasmus Rasmussen
Feilmålene brukes for å se hvor godt en metode tilpasser seg historiske data.
For å velge mellom ulike metoder, bør en foreta en blindtest – lage prognoser for perioder der modellen ikke får se dataene.
En velger så den metoden som har minst feil i blindtesten.
Fornuftig bruk av feilmål
BØK350 OPERASJONSANALYSE 10Rasmus Rasmussen
1. Initialserie.Første del av dataserien benyttes for å beregne startverdier for parameterne i modellen.
2. Tilpassingsserie.Andre del av dataserien benyttes for å tilpasse gode verdier for parameterne – slik at feilene blir minst mulig.
3. Testserie.Siste del av dataserien benyttes til blindtest, der man tester hvor god modellen er.
Oppdeling av dataserien
BØK350 OPERASJONSANALYSE 11Rasmus Rasmussen
Ekstrapoleringsmodeller forsøker å ta hensyn til tidligere utvikling i en tidsserievariabel i et forsøk på å predikere den framtidige utviklingen av den samme variabelen.
Vi skal først ta for oss forskjellige ekstrapoleringsteknikker som passer for stasjonære data.
Ekstrapoleringsmodeller
1 1 2ˆ , , ,...t t t tY f Y Y Y
BØK350 OPERASJONSANALYSE 12Rasmus Rasmussen
Basert på de historiske observasjonene skal vi forsøke å framskrive et datamønster for å lage prognoser for framtiden.
TIDSSERIE
VariabelYt
Tid
t
Nå
Periodet
1 2 t-1 t….. t+1 t+2
Y1 Y2 Yt-1 Yt Yt+1? Yt+2 ?
O B S E R V A S J O N S E R P R E D I K S J O N E R
BØK350 OPERASJONSANALYSE 13Rasmus Rasmussen
Stasjonær data
0 4 8 12 16 20 2450
60
70
80
90
100
110
120
130
140 Stasjonær serie med skift i nivå
BØK350 OPERASJONSANALYSE 14Rasmus Rasmussen
KONSTANTMODELLENVariabel
Yt
Et
TidtNå
BØK350 OPERASJONSANALYSE 15Rasmus Rasmussen
KONSTANTMODELLEN
Observert verditY
ˆ Predikert verditY
Anslag på nivåtE
Tilfeldig støytu
1 1 1 Et t tY u ˆ Et k tY
Data-modell: Prognose-modell:
Yt
Et
Tidt
BØK350 OPERASJONSANALYSE 16Rasmus Rasmussen
ANSLAG PÅ NIVÅ – Naiv metode
t tE Y Naiv metode: Yt
Et
Tidt
Bruker kun siste observasjon som anslag på nivået.
Prognose-modell:ˆ Et k tY
BØK350 OPERASJONSANALYSE 17Rasmus Rasmussen
Glidende gjennomsnitt:
Det finnes ingen generell metode for å bestemme n.
Vi må forsøke med forskjellige verdier for n for å se hvilken som virker best.
ANSLAG PÅ NIVÅ – Glidende gjennomsnitt
1 1....t t t nt
Y Y YEn
BØK350 OPERASJONSANALYSE 18Rasmus Rasmussen
Glidende gjennomsnitt veier alle tidligere observasjoner likt :
Veid glidende gjennomsnitt tillater at tidligere observasjoner vektlegges forskjellig.
Vi må bestemme verdier for n og alle wi
ANSLAG PÅ NIVÅ – Veid glidende gj.sn
-1 11 1 1
t t t t nE Y Y Yn n n
1 2 -1 1...t t t n t nE wY w Y w Y
0 1 og 1i iw w
BØK350 OPERASJONSANALYSE 19Rasmus Rasmussen
a. Eksponentiell glattet gjennomsnitt:
Prognose-modell:
Kan betrakte eksponentiell glatting som et veid gjennomsnitt av alle observasjoner, der siste observasjon har størst vekt.
ANSLAG PÅ NIVÅ - Eksponentiell glatting
0
1 jt t j
j
E Y
0 1
21 2Y (1 )Y (1 ) Y (1 ) Yn
t t t t t nE
ˆ t k tY E
BØK350 OPERASJONSANALYSE 20Rasmus Rasmussen
b. Eksponentiell glattet gjennomsnitt:
Kan betrakte eksponentiell glatting som en veid sum av siste observasjon og forrige estimat.
ANSLAG PÅ NIVÅ - Eksponentiell glatting
11t t tE Y E
1 21 1t t tY Y E
0
1 jt t j
j
E Y
BØK350 OPERASJONSANALYSE 21Rasmus Rasmussen
c. Eksponentiell glattet gjennomsnitt:
Kan betrakte eksponentiell glatting som en forventet verdi, gitt siste observasjon.
ANSLAG PÅ NIVÅ - Eksponentiell glatting
11t t tE Y E
= sannsynlighet for at siste observasjon viser korrekt nivå
1 = sannsynlighet for at forrige estimat viser korrekt nivå
Gir samme funksjon som b (og a).
BØK350 OPERASJONSANALYSE 22Rasmus Rasmussen
d. Eksponentiell glattet gjennomsnitt:
Kan betrakte eksponentiell glatting som en oppdatering basert på korreksjon av prediksjonsfeil.
ANSLAG PÅ NIVÅ - Eksponentiell glatting
1 1t t t tE E Y E
1ˆ ˆ ˆt t t tY Y Y Y
1 1ˆ 1t t t tY E Y E
BØK350 OPERASJONSANALYSE 23Rasmus Rasmussen
Eksponentiell glattet gjennomsnitt:
Ulike måter å tolke eksponentiell glatting, men samme matematiske konklusjon!
ANSLAG PÅ NIVÅ - Eksponentiell glatting
1 1t t t tE E Y E
ˆ ˆt t t tE Y Y Y
11t t tE Y E
BØK350 OPERASJONSANALYSE 24Rasmus Rasmussen
1. Del inn tidsserien:1. Initialserie2. Tilpassingsserie3. Testserie (blindtest)
2. Beregn startverdier i initialserien.3. Foreta tilpassinger i tilpassingsserien
1. Finn gode verdier på modellparameterne
4. Foreta prognoser i testserien. (Test ulike modeller.)5. Velg den prognosemetode som er best i blindtesten:
1. Oppdater modellen (Tilpassingsserien inkluderer nå også det som var testserien.)
2. Finn nye gode verdier på modellparameterne.3. Lag prognose for den ukjente framtiden.
Prediksjonsprosessen
BØK350 OPERASJONSANALYSE 25Rasmus Rasmussen
Electra-City er en detaljist som selger audio og video utstyr for hjem og bil.
Lederen må hver måned bestille varer fra et lager langt unna.
Nå skal lederen forsøke å estimere hvor mange VCR’er forretningen vil komme til å selge neste måned.
Han har samlet data for de siste 24 månedene.
Et eksempel
BØK350 OPERASJONSANALYSE 26Rasmus Rasmussen
Data
Stasjonær dataserie:- Ingen trend- Ingen repeterende
sesong
BØK350 OPERASJONSANALYSE 27Rasmus Rasmussen
Glidende gjennomsnitt
BØK350 OPERASJONSANALYSE 28Rasmus Rasmussen
Prognoser etter blindtest
BØK350 OPERASJONSANALYSE 29Rasmus Rasmussen
Veid glidende gjennomsnitt
BØK350 OPERASJONSANALYSE 30Rasmus Rasmussen
Eksempel med toeksponensielle glattingsfunksjoner
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 2528
30
32
34
36
38
40
42
Number of VCRs SoldExp. Smoothing alpha=0.1Exp. Smoothing alpha=0.9
Time Period
Uni
ts S
old
BØK350 OPERASJONSANALYSE 31Rasmus Rasmussen
Eksponentiell glatting
BØK350 OPERASJONSANALYSE 32Rasmus Rasmussen
Isteden for å bruke en formel for å beregne en startverdi, kan vi la Solver finne en ”optimal” startverdi.
Da kan vi beholde hele datasettet (fordi vi slipper å bruke noen av dataene til estimering av startverdier).
Vi får også en bedre tilpasning til de historiske dataene.
Startverdier
BØK350 OPERASJONSANALYSE 33Rasmus Rasmussen
Eksponentiell glatting
BØK350 OPERASJONSANALYSE 34Rasmus Rasmussen
1. Del inn tidsserien
Initialserie
Tilpassingserie
Blindtest
BØK350 OPERASJONSANALYSE 35Rasmus Rasmussen
2. Beregn startverdier
Beregn startverdier
Merk:Istedenfor formler, kan en la Solver velge startverdier.
BØK350 OPERASJONSANALYSE 36Rasmus Rasmussen
3. Foreta tilpassigner
Bruk Solver til å minimere MSE i tilpassingsperioden, ved å velge verdier på modellparametrene.
Lag en-periodiske prognoser, og oppdater modellparametrene.
BØK350 OPERASJONSANALYSE 37Rasmus Rasmussen
4. Lag prognoser i testserien
Lag prognoser for hele blindtestperioden, med utgangspunkt i siste periode i tilpassingsserien.
Beregn MSE for blindtestperioden.
BØK350 OPERASJONSANALYSE 38Rasmus Rasmussen
5. Lag prognoser for fremtidenLag en-periodiske prognoser for hele datasettet, også det som tidligere var brukt til blindtest.
Minimer MSE for hele den nye tilpassingsserien.
Lag prognoser for framtiden, basert på siste periode med data.
BØK350 OPERASJONSANALYSE 39Rasmus Rasmussen
Velg den prognosemetode som gir lavest prediksjonsfeil (MSE) i blindtesten.
Valg av prognosemodellMetode MSE
Glidende gj.snitt 2 perioder 6,67Glidende gj.snitt 4 perioder 1,92Veid glidende gjennomsnitt 2 perioder 4,73Eksponensiell glatting (formel initialverdier) 4,14Eksponensiell glatting (Solver velger initialverdier) 1,47
BØK350 OPERASJONSANALYSE 40Rasmus Rasmussen
Sesongvariasjoner er et jevnt, repeterende mønster rundt en nivålinje, og er veldig vanlig i økonomiske data.
Kan være av additiv eller multiplikativ art...
Sesongvariasjoner
BØK350 OPERASJONSANALYSE 41Rasmus Rasmussen
Stasjonære sesongeffekter
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Additive Seasonal Effects
Time Period
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Multiplicative Seasonal Effects
Time Period
BØK350 OPERASJONSANALYSE 42Rasmus Rasmussen
Et er forventet nivå for periode t.
St er sesongfaktoren for periode t.
Stasjonære data med additive sesongeffekter
t̂ k t t k pY E S
11t t t p tE Y S E
1t t t t pS Y E S
0 10 1
Anslag nytt nivå
Anslag ny
sesong
Forrige nivå
Forrige sesong
p angir antall sesonger i et år
BØK350 OPERASJONSANALYSE 43Rasmus Rasmussen
Stasjonære data med additive sesongeffekter
1
1 1,...,p
t tt
E Y for t pp
1,...,t t tS Y E for t p
Gjennomsnitt
p angir antall sesonger i et år
Initialverdier:
BØK350 OPERASJONSANALYSE 44Rasmus Rasmussen
Stasjonære data med additiv sesong
2. Solver minimerer MSE i tilpassingsserien.
1. Formler beregner startverdiene.
3. Bereger MSE for blindtesten.
BØK350 OPERASJONSANALYSE 45Rasmus Rasmussen
Stasjonære data med additiv sesong
2. Solver minimerer MSE i tilpassingsserien.
1. Solver beregner startverdiene.
3. Bereger MSE for blindtesten.
BØK350 OPERASJONSANALYSE 46Rasmus Rasmussen
Stasjonære data med additiv sesong
2. Solver minimerer MSE i tilpassingsserien.
1. Oppdaterer tilpassingsserien helt til slutten av datasettet.
3. Lager prognoser for framtiden.
BØK350 OPERASJONSANALYSE 47Rasmus Rasmussen
Prediksjon gjort på tidspunkt 24 for periodene 25 - 28:
Predikere ved modell med additive sesongvariasjoner
24 24 24 4ˆ
k kY E S
25 24 21ˆ 354, 44 8, 45 363,00Y E S
26 24 22ˆ 354, 44 17,82 336,73Y E S
27 24 23ˆ 354,44 46,58 401,13Y E S
28 24 24ˆ 354,44 31,73 322,82Y E S
BØK350 OPERASJONSANALYSE 48Rasmus Rasmussen
Et er forventet nivå for periode t.
St er sesongfaktoren for periode t.
Stasjonære data med multiplikative sesongeffekter
t̂ k t t k pY E S
11tt t
t p
YE ES
1tt t p
t
YS SE
0 10 1
Anslag nytt nivå
Anslag ny
sesong
Forrige nivå
Forrige sesong
p angir antall sesonger i et år
BØK350 OPERASJONSANALYSE 49Rasmus Rasmussen
Stasjonære data med multiplikative sesongeffekter
1
1 1,...,p
t tt
E Y for t pp
1,...,tt
t
YS for t pE
Gjennomsnitt
p angir antall sesonger i et år
Initialverdier:
BØK350 OPERASJONSANALYSE 50Rasmus Rasmussen
Stasjonære data og multiplikative sesongvariasjoner
2. Solver minimerer MSE i tilpassingsserien.
1. Formler beregner startverdiene.
3. Bereger MSE for blindtesten.
BØK350 OPERASJONSANALYSE 51Rasmus Rasmussen
Stasjonære data og multiplikative sesongvariasjoner
2. Solver minimerer MSE i tilpassingsserien.
1. Solver beregner startverdiene.
3. Bereger MSE for blindtesten.
BØK350 OPERASJONSANALYSE 52Rasmus Rasmussen
Stasjonære data og multiplikative sesongvariasjoner
2. Solver minimerer MSE i tilpassingsserien.
1. Oppdaterer tilpassingsserien helt til slutten av datasettet.
3. Lager prognoser for framtiden.
BØK350 OPERASJONSANALYSE 53Rasmus Rasmussen
Prediksjon gjort på tidspunkt 24 for periodene 25 - 28:
Predikere modell med multiplikative sesongvariasjoner
24 24 24 4ˆ
k kY E S
25 24 21ˆ 353,95 1,015 359,13Y E S
26 24 22ˆ 353,95 0,946 334,94Y E S
27 24 23ˆ 353,95 1,133 400,99Y E S
28 24 24ˆ 353,95 0,912 322,95Y E S
BØK350 OPERASJONSANALYSE 54Rasmus Rasmussen
Velg den prognosemetode som gir lavest prediksjonsfeil (MSE) i blindtesten.
Valg av prognosemodell
Metode MSE
Eksponensiell glatting og additiv sesong (formel initialverdier) 418,76
Eksponensiell glatting og additiv sesong (Solver velger initialverdier) 365,90
Eksponensiell glatting og multiplikativ sesong (formel initialverdier) 485,49
Eksponensiell glatting om multiplikativ sesong (Solver velger intialverdier) 409,14
BØK350 OPERASJONSANALYSE 55Rasmus Rasmussen
Trend er en langsiktig bevegelse eller utvikling i en generell retning for en tidsserie.
Vi skal nå se på noen ikke-stasjonære tidsserieteknikker som kan passe for data som inneholder en stigende eller synkende trend.
Trend-modeller
BØK350 OPERASJONSANALYSE 56Rasmus Rasmussen
WaterCraft Inc. er en produsent av water crafts (såkalte sjøscootere).
Selskapet har gledet seg over en rimelig stabil vekst i salget av sine produkter.
Selskapets ledelse forbereder salgs- og produksjonsplaner for kommende år.
Prognoser behøves for salgsnivået selskapet forventer å oppnå hvert kvartal.
Et eksempel med trend
BØK350 OPERASJONSANALYSE 57Rasmus Rasmussen
Data med trend
BØK350 OPERASJONSANALYSE 58Rasmus Rasmussen
Et er forventet nivå for periode t.
Tt er forventet trend for periode t.
Dobbelt glidende gjennomsnitt
Gjennomsnitt
Gjennomsnitt av
gjennomsnittet
t̂ k t tY E k T
2t t tE M D
2 1t t tT M D n
1 1...t t t t nM Y Y Y n
1 1...t t t t nD M M M n
BØK350 OPERASJONSANALYSE 59Rasmus Rasmussen
Modell med dobbelt glidende gjennomsnitt
Foreta en blindtest.
BØK350 OPERASJONSANALYSE 60Rasmus Rasmussen
Modell med dobbelt glidende gjennomsnitt
Oppdater modellen t.o.m. siste periode
Lag prognoser for framtiden
BØK350 OPERASJONSANALYSE 61Rasmus Rasmussen
Prediksjoner for periodene 21 til 24 ved tidspunkt 20:
Prediksjoner ved dobbelt glidende gjennomsnitt
20 20 20ˆ
kY E k T
21 20 20ˆ 1 2.385,33 1 138,9 2.525,23Y E T
22 20 20ˆ 2 2.385,33 2 138,9 2.665,13Y E T
23 20 20ˆ 3 2.385,33 3 138,9 2.805,03Y E T
24 20 20ˆ 4 2.385,33 4 138,9 2.944,94Y E T
BØK350 OPERASJONSANALYSE 62Rasmus Rasmussen
Et er forventet nivå i periode t.
Tt er forventet trend for periode t.
Initialverdier: E1 = Y1 og T1 = 0
Dobbel eksponensiell glatting:Holt’s metodet̂ k t tY E k T
1 11t t t tE Y E T
1 11t t t tT E E T
0 10 1
Tilsynelatende nivå
Forrige anslag på nivå
Tilsynelatende trend Forrige anslag på trend
Hvis nytt nivå Et er større enn forrige anslag på nivået, Et-1 , så er trenden positiv.I motsatt fall har vi synkende trend.
BØK350 OPERASJONSANALYSE 63Rasmus Rasmussen
Modellen med Holt’s metode
1. Beregn startverdier
2. Lag en-periodisk prognose og oppdater parametrene i hele tilpassingsserien
3. Bruk Solver til å minimere MSE for tilpassingsserien
4. Lag prognose i blindtestperioden, og beregn MSE.
BØK350 OPERASJONSANALYSE 64Rasmus Rasmussen
Modellen med Holt’s metode
1. La Solver velge startverdier
2. Lag en-periodisk prognose og oppdater parametrene i hele tilpassingsserien
3. Bruk Solver til å minimere MSE for tilpassingsserien
4. Lag prognose i blindtestperioden, og beregn MSE.
BØK350 OPERASJONSANALYSE 65Rasmus Rasmussen
Prognoser med Holt’s metode
2. Bruk Solver til å minimere MSE for den nye tilpassingsserien.
1. Oppdater modellen for hele dataserien, helt fram til siste periode.
3. Lag prognoser for den ukjente framtiden.
BØK350 OPERASJONSANALYSE 66Rasmus Rasmussen
Prediksjoner for periodene 21 til 24 ved tidspunkt 20:
Prediksjoner basert på Holt’s modell
20 20 20ˆ
kY E k T
21 20 20ˆ 1 2.336,8 1 152,1 2.488,9Y E T
22 20 20ˆ 2 2.336,8 2 152,1 2.641,0Y E T
23 20 20ˆ 3 2.336,8 3 152,1 2.793,1Y E T
24 20 20ˆ 4 2.336,8 4 152,1 2.945,2Y E T
BØK350 OPERASJONSANALYSE 67Rasmus Rasmussen
Holt-Winter’s metode for Additive sesongvariasjoner
t̂ k t t t k pY E k T S
1 11t t t p t tE Y S E T
1 11t t t tT E E T
0 10 10 1
Anslag på nivå, trend og sesong Forrige verdi nivå,
trend og sesong
1t t t t pS Y E S
BØK350 OPERASJONSANALYSE 68Rasmus Rasmussen
Holt-Winter’s metode for Additive sesongvariasjoner
p p pE Y S
1
1 1,...,p
t t tt
S Y Y for t pp
p angir antall sesonger i et år
Initialverdier:
0pT
Gjennomsnitt
Når observert verdi Yt er større enn gjennomsnittet, så blir sesongfaktoren St > 0, dvs. høysesong.I motsatt fall får vi en negativ sesongfaktor, dvs. en lavsesong.
BØK350 OPERASJONSANALYSE 69Rasmus Rasmussen
Holt-Winter med additive sesongeffekt
1. La Solver velge startverdier
3. Bruk Solver til å minimere MSE for tilpassingsserien
4. Lag prognoser i blindtestperioden, og beregn MSE.
2. Lag en-periodisk prognose og oppdater parametrene i hele tilpassingsserien
BØK350 OPERASJONSANALYSE 70Rasmus Rasmussen
Holt-Winter med additive sesongeffekt
2. Bruk Solver til å minimere MSE for den nye tilpassingsserien.
1. Oppdater modellen for hele dataserien, helt fram til siste periode.
3. Lag prognoser for den ukjente framtiden.
BØK350 OPERASJONSANALYSE 71Rasmus Rasmussen
Prediksjoner for periodene 21 til 24 ved tidspunkt 20:
Holt-Winter’s modell Additive sesongeffekter
20 20 20 20 4ˆ
k kY E k T S
21 20 20 17ˆ 1 2.253,3 1 154,3 262,66 2.670,3Y E T S
22 20 20 18ˆ 2 2.253,3 2 154,3 312,59 2.249,3Y E T S
23 20 20 19ˆ 3 2.253,3 3 154,3 205,40 2.921,6Y E T S
24 20 20 20ˆ 4 2.253,3 4 154,3 386,12 3.256,6Y E T S
BØK350 OPERASJONSANALYSE 72Rasmus Rasmussen
Holt-Winter’s metode – Multiplikative sesongvariasjoner
t̂ k t t t k pY E k T S
1 11tt t t
t p
YE E TS
1 11t t t tT E E T
0 1 0 1 0 1
Anslag på nivå, trend og sesong
Forrige verdi nivå, trend og sesong
1tt t p
t
YS SE
BØK350 OPERASJONSANALYSE 73Rasmus Rasmussen
Holt-Winter’s metode – Multiplikative sesongvariasjoner
pp
p
YE
S
1
1,...,1
tt p
tt
YS for t p
Yp
p angir antall sesonger i et år
Initialverdier:
0pT
Gjennomsnitt
Når observert verdi Yt er større enn gjennomsnittet, så blir sesongfaktoren St > 1, dvs. høysesong.I motsatt fall får vi en sesongfaktor mindre enn 1, dvs. en lavsesong.
BØK350 OPERASJONSANALYSE 74Rasmus Rasmussen
Holt-Winter: Multiplikativ sesong
1. La Solver velge startverdier
2. Lag en-periodisk prognose og oppdater parametrene i hele tilpassingsserien
3. Bruk Solver til å minimere MSE for tilpassingsserien
4. Lag prognoser i blindtestperioden, og beregn MSE.
BØK350 OPERASJONSANALYSE 75Rasmus Rasmussen
Holt-Winter: Multiplikativ sesong
2. Bruk Solver til å minimere MSE for den nye tilpassingsserien.
1. Oppdater modellen for hele dataserien, helt fram til siste periode.
3. Lag prognoser for den ukjente framtiden.
BØK350 OPERASJONSANALYSE 76Rasmus Rasmussen
Prediksjoner for periodene 21 til 24 ved tidspunkt 20:
Holt-Winter’s modell Multiplikativ sesongeffekt
20 20 20 20 4ˆ
k kY E k T S
21 20 20 17ˆ 1 2.217,6 1 137,3 1,152 2.713,7Y E T S
22 20 20 18ˆ 2 2.217,6 2 137,3 0,849 2.114,9Y E T S
23 20 20 19ˆ 3 2.217,6 3 137,3 1,103 2.900,5Y E T S
24 20 20 20ˆ 4 2.217,6 4 137,3 1,190 3.293,9Y E T S
BØK350 OPERASJONSANALYSE 77Rasmus Rasmussen
Holt-Winter og endringer
0 4 8 12 16 20 2450
100
150
200
250
300
350
400 Additiv sesong
0 4 8 12 16 20 2450
100
150
200
250
300
350
400
450 Multiplikativ sesong
0 4 8 12 16 20 2450
100
150
200
250
300 Skifta i nivå
0 4 8 12 16 20 24507090
110130150170190210230250 Skift i trend
BØK350 OPERASJONSANALYSE 78Rasmus Rasmussen
Tidsserier og REGRESJONData Modeller som IKKE tillater skift i
nivå/trend/sesong
TrendLangsiktig generell endring i nivå
Lineær trend
Kvadratisk trend
Trend & SesongLangsiktig generell endring i nivå og repeterte variasjoner rundt trendlinjen
Trend (lineær eller kvadratisk), additiv eller multiplikativ sesongjustering.
Regresjon med trend (lineær eller kvadratisk) og additiv sesong
BØK350 OPERASJONSANALYSE 79Rasmus Rasmussen
Modell med lineær trend
0 1 1ˆ
ttY b b X
1tX t
Dvs.
1
2
3
1
1
1
1,
2,
3,...
X
X
X
BØK350 OPERASJONSANALYSE 80Rasmus Rasmussen
Blindtest med lineær trendSpesialtilfelle av Holt’s modell.
Tilpassingsserien
Blindtest
BØK350 OPERASJONSANALYSE 81Rasmus Rasmussen
Prognose med lineær trendSpesialtilfelle av Holt’s modell.
Tilpassingsserien gjelder nå hele datasettet.
Prognose for framtiden
BØK350 OPERASJONSANALYSE 82Rasmus Rasmussen
Prediksjoner for periodene 21 til 24 ved tidspunkt 20:
Prediksjoner basert på lineær trend
0 1 1ˆ
ttY b b X
2121 0 1 1ˆ 375,1 92,6255 21 2.310,3Y b b X
2222 0 1 1ˆ 375,1 92,6255 22 2.412,9Y b b X
2323 0 1 1ˆ 375,1 92,6255 23 2.505,6Y b b X
2424 0 1 1ˆ 375,1 92,6255 24 2.598,2Y b b X
BØK350 OPERASJONSANALYSE 83Rasmus Rasmussen
TREND(Y-område; X-område; X-verdi for prediksjon)der:
Y-område er området i regnearket som inneholder verdiene for den avhengige Y variabelen,
X-område er området i regnearket som inneholder verdiene for de(n) uavhengige X variablene,
X-verdi for prediksjon er en celle (eller celler) som inneholder verdier for X variabelen(e) som vi ønsker å estimerte Y verdier til.
Merk: TREND( ) funksjonen blir dynamisk oppdatert hver gang dataene til funksjonen endres. Imidlertid gir den ikke den statistiske informasjonen som regresjonsanalysen gir.
TREND() funksjonen
BØK350 OPERASJONSANALYSE 84Rasmus Rasmussen
Modell med kvadratisk trend
0 1 1 2 2ˆ
t ttY b b X b X
1tX t
22t
X t
BØK350 OPERASJONSANALYSE 85Rasmus Rasmussen
Blindtest kvadratisk trend
Tilpassingsserien
Blindtest
BØK350 OPERASJONSANALYSE 86Rasmus Rasmussen
Prognoser kvadratisk trend
Tilpassingsserien gjelder nå hele datasettet.
Prognose for framtiden
BØK350 OPERASJONSANALYSE 87Rasmus Rasmussen
Prediksjoner for periodene 21 til 24 ved tidspunkt 20:
Prediksjoner basert på kvadratisk trend
0 1 1 2 2ˆ
t ttY b b X b X
21 21
221 0 1 1 2 2ˆ 653,67 16,671 21 3,617 21 2.598,8Y b b X b X
22 22
222 0 1 1 2 2ˆ 653,67 16,671 22 3,617 22 2.770,0Y b b X b X
23 23
223 0 1 1 2 2ˆ 653,67 16,671 23 3,617 23 2.950, 4Y b b X b X
24 24
224 0 1 1 2 2ˆ 653,67 16,671 24 3,617 24 3.137,1Y b b X b X
BØK350 OPERASJONSANALYSE 88Rasmus Rasmussen
Sesong er et jevnt, repeterende mønster rundt en trendlinje, og er veldig vanlig i økonomiske data.
Sesongvariasjoner
1 3 5 7 9 11 13 15 17 19 21 23 $0
$500
$1,000
$1,500
$2,000
$2,500
$3,000
$3,500
Faktisk Salg Y
Prognose Ŷ
Tid
Salg
Vår prognose fanger ikke opp sesongvariasjonene.
BØK350 OPERASJONSANALYSE 89Rasmus Rasmussen
Vi kan beregne sesongjusteringsindekser for sesong p slik:
Justert prediksjon for periode i er da
Sesongjusteringsindekser
ˆ for alle som inntrer i sesong
t
i tp
p
YY
S i pn
ˆ ˆ for enhver som inntrer i sesong i i pY justert Y S i p
BØK350 OPERASJONSANALYSE 90Rasmus Rasmussen
Blindtest kvadratisk trend multiplikativ sesong1. Beregn kvadratisk trend, basert på tilpassingsperioden.
2. Beregn multiplikativ sesong, i tilpassingsperioden.
3. Beregn gjennomsnittlige sesongfaktorer i tilpassingsserien.
4. Lag prognoser, basert på kvadratisk trend og gjennomsnittlige sesongfaktorer.
BØK350 OPERASJONSANALYSE 91Rasmus Rasmussen
Prognose kvadratisk trend multiplikativ sesong1. Beregn kvadratisk trend, basert på hele datasettet.
2. Beregn multiplikativ sesong, for hele datasettet.
3. Beregn gjennomsnittlige sesongfaktorer for hele datasettet.
4. Lag prognoser, basert på kvadratisk trend og gjennomsnittlige sesongfaktorer.
BØK350 OPERASJONSANALYSE 92Rasmus Rasmussen
Prediksjoner for periodene 21 til 24 ved tidspunkt 20:
Sesongjustert prediksjon og kvadratisk trend
0 1 1 2 2ˆ
t tt pY b b X b X S
21 2121 0 1 1 2 2 1
ˆ 2.598,8 105,7% 2.747,8Y b b X b X S
22 2222 0 1 1 2 2 2ˆ 2.770,0 80,1% 2.219,6Y b b X b X S
23 2323 0 1 1 2 2 3ˆ 2.950, 4 103,1% 3.041, 4Y b b X b X S
24 2424 0 1 1 2 2 4ˆ 3.137,1 111,1% 3.486,1Y b b X b X S
BØK350 OPERASJONSANALYSE 93Rasmus Rasmussen
1. Lag en trend modell og beregn prediksjoner for hver observasjon.
2. For hver observasjon beregnes forholdet mellom faktisk og predikert trend verdi.
3. For hver sesong, beregn gjennomsnittet av hver brøk fra trinn 2. Dette er sesongvektene.
4. Multipliser enhver prediksjon fra trendmodellen med tilhørende sesongvekt beregnet i trinn 3.
Sammendrag av trend og bruk av sesongvekter
BØK350 OPERASJONSANALYSE 94Rasmus Rasmussen
Merk at Solver kan brukes til å beregne optimale verdier for sesongindeksene og parametrene i trend modellen simultant.
Det finnes ingen garanti for at dette vil gi bedre prediksjoner, men det vil gi en modell som passer bedre til de historiske data ut fra MSE.
Raffinere modellen med sesongindekser
BØK350 OPERASJONSANALYSE 95Rasmus Rasmussen
Solver beregner trend-parametre og sesongindekser1. Beregn kvadratisk trend, basert på koeffisienter Solver kan velge.
2. Beregn prognose, basert på kvadratisk trend og sesongfaktorer Solver kan velge.
3. La Solver minimere MSE for tilpassingsserien, ved å velge trend-koeffisientene og sesongfaktorene.
4. Beregn MSE i blindtesten.
BØK350 OPERASJONSANALYSE 96Rasmus Rasmussen
Solver beregner trend-parametre og sesongindekser
1. Beregn kvadratisk trend, basert på koeffisienter Solver kan velge.
2. Beregn prognose, basert på kvadratisk trend og sesongfaktorer Solver kan velge.
3. La Solver minimere MSE for hele datasettet, ved å velge trend-koeffisientene og sesongfaktorene.
BØK350 OPERASJONSANALYSE 97Rasmus Rasmussen
Vi kan selvsagt benytte additiv sesong istedenfor multiplikativ sesong.
Estimert sesongeffekt blir da:
Tilsvarende blir prognosen endret til:
Trend & additiv sesong
i i iS Y T
t̂ t pY T S
BØK350 OPERASJONSANALYSE 98Rasmus Rasmussen
Indikatorvariabler kan brukes i regresjonsmodeller for å representere sesongeffekter.Hvis det er p sesonger, trengs p 1 indikatorvariabler.Vårt eksempel har kvartalsvise data, så p = 4 og vi definerer følgende indikatorvariabler:
Regresjonsmodeller med sesong
3
1, hvis er en observasjon for kvartal 10, ellerst
tYX
4
1, hvis er en observasjon for kvartal 20, ellerst
tYX
5
1, hvis er en observasjon for kvartal 30, ellerst
tYX
Hvis alle indikatorvariablene er lik 0, så er det kvartal 4.
BØK350 OPERASJONSANALYSE 99Rasmus Rasmussen
Regresjonsfunksjonen er:
Implementere modellen
0 1 1 2 2 3 3 4 4 5 5ˆ
t t t t ttY b b X b X b X b X b X
1tX t
22t
X t
3 1 hvis 1. kvartal, ellers 0t
X
4 1 hvis 2. kvartal, ellers 0t
X
5 1 hvis 3. kvartal, ellers 0t
X
Merk: I kvartal 4 er X3, X4 og X5 lik 0.
BØK350 OPERASJONSANALYSE 100Rasmus Rasmussen
Regresjon med additiv sesong - blindtest
BØK350 OPERASJONSANALYSE 101Rasmus Rasmussen
Regresjon med additiv sesong - prognose
BØK350 OPERASJONSANALYSE 102Rasmus Rasmussen
Prediksjoner for periodene 21 til 24 ved tidspunkt 20:
Sesongjustert prediksjon og kvadratisk trend
221ˆ 824, 471 17,319 21 3,485 21 86,805 1 427,736 0 123,453 0 2638,5Y
0 1 1 2 2 3 3 4 4 5 5ˆ
t t t t ttY b b X b X b X b X b X
222ˆ 824,471 17,319 22 3, 485 22 86,805 0 427,736 1 123,453 0 2467,7Y
223ˆ 824,471 17,319 23 3, 485 23 86,805 0 427,736 0 123,453 1 2943,2Y
224ˆ 824,471 17,319 24 3, 485 24 86,805 0 427,736 0 123,453 0 3247,8Y
BØK350 OPERASJONSANALYSE 103Rasmus Rasmussen
Det er også mulig å kombinere prediksjoner for å lage en ”kompositt” prognose.
Anta at vi har brukt tre forskjellige prediksjonsmetoder på et gitt sett av data.
Benevn predikert verdi i periode t ved bruk av hver metode slik:
Vi kan lage en komposittprognose slik:
Kombinere prediksjoner
1 2 3, ,t t t
F F F
0 1 1 2 2 3 3ˆ
t t ttY b b F b F b F
BØK350 OPERASJONSANALYSE 104Rasmus Rasmussen
For å unngå systematiske prediksjonsfeil bør sesongfaktorene normaliseres:
Gjennomsnittlig Faktorsum:
Normalisering Multiplikativ:
Normalisering Additiv:
Vi justerer de p siste sesongfaktorene.
Mer om sesongfaktorer
1
1 p
t t p jj
F Sp
t p jt p j
t
SS
F
t p j t p j tS S F
BØK350 OPERASJONSANALYSE 105Rasmus Rasmussen
Normalisering av sesongfaktorer
BØK350 OPERASJONSANALYSE 106Rasmus Rasmussen
Slutt på kapittel 11