ЛЕКЦІЯ

ОСОБЛИВОСТІ МЕТОДІВ ДЛЯ ПРОГНОЗУВАННЯ

НЕСТАЦІОНАРНИХ ПОКАЗНИКІВ
Розглянемо методи, які працюють в нестаціонарних
умовах, тобто коли середнє не залишається постійним, а
змінюється з часом (рис.4.2, ст.27).
Середнє, яке змінюється прийнято називати трендом.
Тренди розрізняють по характеру і по типу.
За характером тренди поділяються на:
а) лінійний тренд.
Лінійним трендом називають такий закон зміни
середнього, при якому середнє зростає або убуває з часом по
лінійній залежності. Наприклад, попит на деякий продукт
може мати зростаючий лінійний тренд, якщо продукт
являється для ринку новим товаром або якщо розширюється
об’єм самого ринку при умові, що частка продукту
залишається незмінною. Навпаки, якщо деякий товар старіє,
то тренд попиту на нього буде спадним.
б) сезонні тренди.
Тренд називається сезонним, якщо середнє змінюється
циклічно у відповідності з деяким часовим циклом. В
більшості випадків на практиці цей часовий цикл не
змінюється на протязі року, причому середнє за кожний
місяць у порівнянні із середнім за рік може і спадати, і
зростати. Сезонні коливання притаманні динаміці попиту на
такі товари, як одяг і взуття. Подібні коливання
спостерігаються також і у великих галузях промисловості
(наприклад, коливання в попиті на автомобілі, що спадає із
наближенням зими і зростає навесні).
в) змішані сезонно-лінійні тренди.
Такий характер тренду представляє собою комбінацію з
двох вже розглянутих. Прикладом подібного тренду служить
продаж авіа білетів. (Збільшення частки повітряного
транспорту в загальному обсязі перевезень в довгостроковому
аспекті визначає лінійний тренд; сезонні коливання
пояснюються коливанням потоку авіапасажирів в межах року
(попит на авіаквитки підвищується на святкові дні і літні
канікули).
Тренди можна розрізняти не тільки по характеру, але і по
типу:
а) адитивні тренди.
В адитивних трендах фактичні значення відрізняються
від середнього приблизно на однакову величину. Наприклад,
для лінійно-адитивного тренду середній приріст величини
попиту за місяць може складати десять одиниць виміру.
б) мультиплікативні тренди.
В мультиплікативних трендах збільшення або
зменшення фактичного значення складає приблизно
однаковий процент відносно середнього, що визначається
характером тренду. Наприклад, передбачається, що попит на
деякий товар з лінійно-мультиплікативним трендом буде
збільшуватись на 2% за місяць.
в) комбінація адитивних і мультиплікативних трендів
Цей тип тренду являється очевидним поєднанням двох
уже згаданих. Його вивчення достатньо складне, тому і
застосування досить рідкісне.
При описі тренду любого показника необхідно задати
характер тренду і його тип. Таким чином, характер тренду
визначає середнє, а тип тренду – відхилення від середнього.
Розглянемо найбільш поширені прогностичні моделі.

Лінійно-адитивна прогностична модель

При лінійно-адитивній моделі тренду передбачається, що
середнє прогнозованого показника dt змінюється по лінійній
функції від часу:
d t =μ+ λt +ε t (7.1)
де μ – середнє процесу, λ – швидкість його росту, εt –
випадкова величина з нульовим середнім.
Для опису такої ситуації можна запропонувати декілька
моделей.

Метод Холта
 Метод, запропонований Холтом, оснований на оцінці
параметру – мірі степеня лінійного росту (або падіння)
показника у часі.
Основні рівняння для методу Холта виглядають
наступним чином:
U t = Ad t +(1− A )(U t−1 +bt−1 ) (7.2)
і
bt =B(U t −U t−1 )+(1−B)bt−1 (7.3)
де параметри А і В знаходяться в межах від 0 до 1.
Фактор росту λ оцінюється по коефіцієнту bt. Характерна
особливість даного методу полягає в тому, що обчислення
поточного значення експоненціально зваженого середнього Ut
включає в себе обчислення минулого показника росту bt-1,
адаптуючись таким чином до попереднього значення
лінійного тренду.
Після оцінки в моделі Холта показника росту (або
падіння) bt прогноз f на τ моментів часу обчислюється
наступним чином:
f t+τ =U t +b t τ (7.4)
Значення параметрів А і В рекомендується брати рівними
0,1 і 0,01 відповідно.

Метод Холта з модифікаціями Муїра

Муїр довів, що якщо, прогноз здійснюється на достатньо
великий проміжок часу (теоретично на безкінечно великий),
то
U t = Ad t +(1− A )U t−1 (7.5)
і
bt =B(U t −U t−1 )+(1−B)bt−1 (7.6)
Відповідно значення прогнозу f на τ моментів часу
обчислюється наступним чином:
1
f t+τ =U t +b t ( + τ−1 )
A (7.7)

Метод подвійного згладжування Брауна

Браун довів, що за оцінку поточного значення показника
можна взяти наступну величину:
f t =2U t −U t (7.8)
де
U t =αU t +(1−α )U t−1
(7.9)
U t =αd t +(1−α)U t−1 (7.10)
Фактор росту λ оцінюється по коефіцієнту bt:
α
bt = (U −U t )
1−α t (7.11)
Відповідно, прогноз на період t+ τ рівний:
f t+τ =f t +bt τ (7.12)
Перевага методу Брауна в однопараметреності.

Метод адаптивного згладжування Брауна

Відповідно до другого методу Брауна передбачається, що
якщо, наприклад, ряд значень продаж або попиту можна
описати деякою моделлю, то логічніше б було застосування
регресійного аналізу на основі зваженої регресії, тобто більшу
увагу необхідно надати більш свіжішій інформації.
Отже, для моделі лінійно-адитивного тренду оцінка по
взваженому методу найменших квадратів рівна:
f t+τ =U t +b t τ (7.13)
де
U t =U t−1 + bt−1 +(1−γ 2 )e t (7.14)
2
e t =d t −f t і bt =bt−1 +(1−γ )e t (7.15)
γ – рівень щомісячного дисконтування спостережень
(рекомендоване значення складає 0,8).

Лінійно-мультиплікативна модель
Метод Муїра
Іноді можна рахувати, що зміна середнього значення
показника залежить не лінійно, а пропорційно самому
значенню середнього. Тоді лінійно-мультиплікативну модель
можна записати, як:
d t =(d t−1 −ε t−1 ) ρ+ε t (7.16)
де ρ – мультиплікативний коефіцієнт тренду.
Тепер можна застосувати ту ж згладжувальну функцію
Ut. Позначивши її через Vt, отримаємо:
V t =d t +(1−α )r t V t−1 (7.17)
де r – незміщена оцінка ρ, яка обчислюється з
формулою:
αd t
rt = +(1−α)r t−1
V t−1 (7.18)
Відповідно прогноз на момент часу t+ τ знайдемо з
τ
f t+τ =V t r t (7.19)

Комбінація лінійних і сезонно-адитивних моделей

трендів
В прогностичній моделі враховується сезонність, як
правило, засобом декомпозиції прогностичних методів. При
цьому передбачається, що характеристики руху ряду
показника, а саме стаціонарність, лінійність і сезонність,
можуть бути розділені, вивчені і оцінені ізольовано один від
одного. Кінцевий прогноз буд здійснюватись зведенням
прогнозів різних елементів в один. Однією із найбільш
популярних моделей прогнозування такого типу трендів є
сезонно-декомпозиційна прогностична модель Холта-
Вінтера.
Дана модель основана на застосуванні методу
експоненціально взваженого середнього. Оцінка стаціонарно-
лінійного і сезонного факторів для неї проводиться
наступним чином.
а. Оцінка стаціонарного фактора. Рівняння оцінки таке
ж, як і у випадку методу Холта (7.2), а саме:
U t = Ad t +(1− A )(U t−1 +bt−1 )
При цьому передбачається, що ряд поточних значень dt
очищений від сезонності діленням його на величину Ft-L –
коефіцієнт сезонної декомпозиції, що відповідає моменту
часу t-L, тобто зсунутому на L одиниць часу назад.
Відповідно рівняння оцінки набере вигляду:
dt
U t= A +(1− A )(U t−1 +bt−1 )
F t−L (7.20)
б . Оцінка лінійного росту обчислюється на основі моделі
росту Холта (7.3):
bt =B(U t −U t−1 )+(1−B)bt−1
в. Оцінка сезонного фактору (адаптація коефіцієнта
сезонності). Коефіцієнт сезонності представляє собою
відношення значення поточного спостереження до
середньостаціонарного значення, тобто цей коефіцієнт на
момент часу t рівний dt/Ut. Тепер можна визначити
експоненціально зважене середнє поточного значення
коефіцієнта сезонності:
dt
Ft =C +(1−C )F t−L
Ut (7.21)
г. Прогноз. При ізольованій оцінці трьох факторів, що
визначають рух процесу, прогноз на τ моментів часу вперед
будується з трьох елементів: сумуються оцінка лінійного
росту і оцінка стаціонарного фактору Ut, і результат з
врахуванням сезонності помножується на відповідне значення
коефіцієнта сезонності Ft-L+τ:
f t+τ =(U t +b t τ )F t− L+τ (7.22)
В більшості практичних ситуацій приймають наступні
значення констант:
А = 0,2, В = 0,2, С = 0,5.

Комбінація лінійного і сезонно-мультиплікативного

тренду
Ця модель передбачає генерування процесу лінійно-
мультиплікативним трендом.
Експоненціально зважене середнє для випадку
мультиплікативного тренду, при тих же аргументах, що і для
адитивної
Ad
моделі, необхідно отримувати по формулі
t
U t= +(1− A )(1+bt−1 )U t−1
Ft− L (7.23)
де показник
U −U
лінійного росту знаходиться з рівняння:
t t−1
bt =B +(1−B )b t −1 .
U t−1 (7.24)
Значення
d
сезонного фактору обчислюємо за рівнянням:
t
Ft =C +(1−C )F t−L
Ut (7.25)
Кінцевий прогноз за даною моделлю отримуємо за
формулою:
 τ
f t+τ =U t (1+bt ) F t−L+τ (7.26)
 МОДЕЛЮВАННЯ СЕЗОННИХ КОЛИВАНЬ ЕКОНОМІЧНИХ ЯВИЩ РЯДАМИ ФУР’Є

Значна частина економічних явищ, таких як попит на товари та послуги, пасажиропотоки, виробництво
в цукровій та консервній промисловості носить сезонний характер.
Для аналізу та прогнозування таких сезонних явищ використовують ряд Фур’є, який представляє
сезонне явище у вигляді гармоніки.
У загальному вигляді ряд Фур’є можна записати так:

,               (3.18)

де , ,  – параметри моделі,
t – фактор часу,
k – порядковий номер гармоніки,
m – кількість гармонік.
В економетричних дослідженнях кількість гармонік ряду Фур’є приймають не більшою 4, а потім
визначають, яка із гармонік найбільш адекватно описує сезонні коливання економічних явищ.
Параметри ряду Фур’є , ,  визначаються методом найменших квадратів. Формули для
розрахунку цих параметрів мають вигляд:

, , ,  (3.19)

де n – кількість періодів часу, за які розглядається явище (місяців, днів, кварталів, років).
Для побудови економетричної моделі необхідно зробити перехід для фактора часу від натурального
масштабу до радіанного або градусного. Цей перехід можна здійснити за формулою:
,                                             (3.20)

де n – кількість спостережень (або кількість інтервалів часу, за який аналізується сезонне явище), ti –
фактор часу у радіанному (градусному) вираженні, n`i– натуральний ряд чисел від 0 до n-1 (0,1,2,…,n-1).
Запишемо місяці у радіанній формі (таблиця 3.9).
Таблиця 3.9 – Радіанна форма місяців
січень 0 липень
лютий серпень
березень вересень
квітень жовтень
травень листопад
червень грудень
Для визначення параметрів моделі  та  необхідно скласти таблицю значень тригонометричних
функцій  (табл. 3.10).
  Таблиця 3.10 – Значення тригонометричних функцій
,
рад.
1 0 1 1 0 0
2 0,866 0,5 0,5 0,866
3 0,5 -0,5 0,866 0,866
4 0 -1 1 0
5 -0,5 -0,5 0,866 -0,866
-
6 0,5 0,5 -0,866
0,866
7 -1 1 0 0
-
8 0,5 -0,5 0,866
0,866
-
9 -0,5 -0,5 0,866
0,866
1
0 -1 -1 0
0
1 -
0,5 -0,5 -0,866
1 0,866
 1
0,866 0,5 -0,5 -0,866
2

За статистичними даними визначимо параметри моделі для першої гармоніки. Маємо

.
Запишемо ряд Фур’є для першої гармоніки:

.
Знаходимо теоретичні значення . Замість значень  та  у ряд Фур’є підставимо їх значення
із таблиці 3.14.
Розраховуємо тісноту зв’язку (кореляційне відношення) для першої гармоніки. Для цього потрібно

сформувати наступні стовпці: , . Тоді кореляційне відношення для 1-ої гармоніки

.
Розрахуємо параметри ряду Фур’є по другій гармоніці; для цього необхідно сформувати два стовпчики:
 та .
Таким чином, маємо дані для розрахунку параметрів  та :

.
Ряд Фур’є для другої гармоніки матиме вигляд:
.
  Визначаємо тісноту зв’язку для другої гармоніки

.
Оскільки , то ряд Фур’є по другій гармоніці більш адекватно описує сезонні коливання явища.