1.

Zaznacz niepoprawne stwierdzenie dotyczące błędów prognoz:

A. błąd RMSE informuje o przeciętnym odchyleniu prognoz od realizacji

B. błędy prognoz ex ante są możliwe do wyznaczenia, gdy czas t, na który tworzono prognozę
zrealizuje się

C. błąd ME informuje o obciążeniu prognozy i powinien być bliski 0

D. błąd MAPE może zostać wykorzystany zamiast RMSPE bez strat dla poprawności oceny prognoz

2. Regresja pozorna:

A. jest zjawiskiem niekorzystnym w modelowaniu ekonometrycznym

B. nie ma związku z wykorzystaniem szeregów niestacjonarnych

C. pomaga obiektywnie opisać zmienność badanego zjawiska

D. nie ma znaczenia w badania empirycznych

3. Przystępując do prognozowanie szeregu czasowego miesięcznej sprzedaży lodów można

zastosować:

A. średniej ruchomej prostej

B. metodę Holta

C. metodę Browna

D. metodę Wintera

4. Zaznacz błędne stwierdzenie dotyczące prognozowania:

A. prognozowanie jest weryfikowalne empirycznie

B. prognozowanie to racjonalne i naukowe wnioskowanie o przyszłości

C. prognozowanie traci na znaczeniu z uwagi na rosnącą niepewność otoczenia

D. prognozowanie pozwala na ograniczanie ryzyka podejmowanych decyzji w przedsiębiorstwach

5. Do prognozowanie dziennych kursów walut co do zasady nie zastosujemy metody:

A. metody średniej ruchomej prostej

B. metody wygładzania wykładniczego Wintersa

C. metody średniej ruchomej ważonej

D. metody naiwnej typu poziom bez zmian

6. Zaznacz błądne stwiedzenie dotyczące prognozowania:

A. co do zasady metoda średniej ruchomej pozwala na lepszą prognozę niż metoda naiwna

B. metoda Holta znajduje zastosowanie w takich samych przypadkach co średnia ruchoma zwykła

C. metoda Holta wymaga wykorzystania stałej wygładzania trendu i stałej wygładzania poziomu

D. optymalizacja współczynnika wygładzania w metodzie Browna możliwa jest za pomocą dodatku

Solver

7. Zaznacz błędne stwierdzenie dotyczace sezonowości:

A. zmienne oznaczające sezonowość w modelu regresji nie muszą być statystycznie istotne

B. uwzględnienie sezonowości w modelu może mieć miejsce przez dodanie zmiennych

zerojedynkowych

C. uwzględnienie sezonowości w modelu jest możliwe przez wykorzystanie modelu wygładzania

wykładniczego Wintersa

D. intepretacja wskaźnika sezonowego jest zależna od typu modelu i wprowadzonych sztucznych

zmiennych sezonowych

8. Model Holta:

A. Pozwala na budowę prognoz krótkookresowych

B. posiada jeden parametr wygładzania

C. może być stosowany do opisu danych z sezonowocią

D. pozwala na budowę prognoz długookresowych

9. Efekt dnia tygodnia:

A. może być testowany za pomocą modelu ekonometrycznego

B. posiada niewystarczającą powtarzalność aby mógł być wykryty

C. zawsze występuje dla danych giełdowych

D. polega na uwzględnieniu większej wariancji obserwacji w środy

10. Dekompozycja multiplikatywna:

A. jest stosowana dla szeregów z regularnym trendem liniowym

B. jest stosowana dla szeregów o stałej amplitudzie wahań sezonowych

C. jest stosowana dla szeregów z regularnym trendem nieliniowym

D. jest stosowana dla szeregów o zmiennej amplitudzie wahań sezonowych

11. Jakiej metody prognozowanie zdecydowanie nie należy stosować, gdy analizowany szereg
czasowy nie ma ani trendu ani sezonowości:

A. metody wygładzania wykladniczego Browna

B. metody naiwnej typu poziom bez zmian

C. metody wygładzania wykładniczego Wintersa

D. metody średniej ruchomej ważonej

12. Zaznacz błędne stwierdzenie dotyczące prognozowania:

A. metoda naiwna poziom bez zmian jest bardziej podatna na wahania niż metoda średniej ruchomej
prostej

B. metody naiwne powinny być traktowane jako punkt odniesienia do oceny prognoz tworzonych z
wykorzystaniem innych metod

C. stała wygładzania w modelu Browna powinna być jak najbliższa 1

D. metoda Browna jest uogólnieniem metody średniej ruchomej

13. Błąd MSE

A. jest wyrażony w % i pozwala jednoznacznie ocenić czy błędy są małe czy duże

B. jest wyrażony w jednostkach analizowanej cechy i jest łatwy w interpretacji

C. pozwala jednoznacznie ocenić obciążenie prognozy

D. jest wyrażony w kwadratach jednostek analizowanej cechy i nie pozwala jednoznacznie ocenić czy
błędy sa małe czy duże

14. Zaznacz błędne stwierdzenie dotyczące metod średniej ruchomej:

A. mogą być wykorzystane do prognozowania szeregu z trendem lub bez trendu

B. mogą być wykorzystane do prognozowanie danych sezonowych o ile odwołamy się do okresów
„jednomiennych”

C. dają co do zasady gorsze prognozy niż metody naiwne

D. wymagają wyboru stałej wygładzania k

15. Wahania koniunkturalne to ( zależy od autora podręcznika xd )

A. zmiany przypadkowe, które trudno przewidzieć

B. regularne zmiany powtarzające się w tych samych okresach każdego roku

C. zmiany cykliczne mające charakter ruchu falowego wokół trendu

D. systematyczne zmiany długookresowe powodujące zmianę wartości średniej

16 . Zaznacz niepoprawne stwierdzenie dotyczące błędów prognoz:

A.błąd MAPE powinien być mniejszy od 5% by prognozę uznać za dobrą

B. błąd ME jest zawsze większy od zera

C. błąd MSE nie jest poddawany interpretacji

D.błąd RMSPE powinien być mniejszy od 5% by prognozę uznać za dobrą

17. Jeżeli wartość błędy MAPE wynosi 2% oznacza to, że

A. błędy prognoz są małe i zastosowana metoda bardzo dobrze prognozuje analizowane zjawisko

B. prognoza jest przeszacowana

C. prognoza jest nieoszacowana

D. błędy prognoz są na granicy akceptowalności i należy poszukać innej metody do prognozowania

analizowanego zjawiska
18. Sprawdzian testy dwóch średnich dla efektu dnia tygodnia:

A. charakteryzuje się rozkładem F

B. posiada rozkład normalny

C. nie posiada żadnego ze znanych rozkładów

D. jest zgodny z rozkładem t-Studenta

19. Szereg czasowy:

A. nie jest indeksowany czasem

B. nie stanowi realizacji procesu stochastycznego

C. to dane odnotowane w różnych miejscach ale w tym samym czasie

D. to obserwacje statystyczne uporządkowane wg czasu

20. Zaznacz błędne stwierdzenie dotyczące metod naiwnych:

A. to metody oparne na tzw. Modelu błądzenia losowego

B. mogą być stosowane w przypadku występowania niewielkich wahań w szeregu zmiennej

C. zakładają stabilność w obszarze czynników kształtujących warotści zmiennej prognozowanej

D. mogą być wykoszystane do tworzenie prognoz na długi horyzont

21 .Model Wintersa z sezonowością addytywną:

A. posiada 2 parametry wygładzania

B. może być stosowany do opisu danych wyłącznie z trendem liniowym

C, pozwala na budowę prognoz długookresowych

D. wymaga optymalizacji parametrów przy użyciu np. dodatku solver

22. Jaką metode prognozowania można wykorzystać, gdy analizowany szereg czasowy ma
charakter sezonowy:

A. metodę naiwną typu przyrost procentowy bez zmian

B. metodę wygładzania wykładniczego Wintersa

C. metodę wygładzania wykładniczego Holta

d. metodę wygładzania wykładniczego Browna

23. Zaznacz poprawne stwierdzenie dotyczące błędów prognoz:

A. średni błąd prognozy ME równy 150 informuje o systematycznym przeszacowaniu prognozy ( jeżeli
liczymy jak w prognozowaniu czyli e=(y^ - y) to tak

B. im niższy średni błąd prognozy ME tym lepiej

C. błąd MAPE zawsze jest nieco większy niż błąd RMSPE

D. błąd RMSPE informuje o odchyleniu prognoz od realizacji w jednostkach analizowanej cechy

NOTATKI

Ćw1.

Metody ilościowe- dynamika zjawisk

Model ekonometryczny oparty na szeregach czasowych (nieprzekrojowe), analityka i prognozowanie

szeregów czasowych. Przyczynowość i zmienność.

Problemy modelowania:

-niestacjonarność szeregów czasowych- komplikuje to zbudowanie modelu

-regresja pozorna- nie ma zależności

Badanie stacjonarności szeregu.

Szereg czasowy- ciąg wyników obserwacji uporządkowanych w czasie okresy (strumienie-przychody

firmy, zysk) i momenty (moment czasu, wartość zapasu/majątku na koniec miesiąca, ceny akcji, kursy
walutowe, kursy walut średnich w miesiącu)

Zużycie paliwa w miesiącach- okresów

Liczba awarii sprzętów w kolejnych latach-okresów

Liczba osób z wykształceniem wyższym w kolejnych latach w Polsce- momentów

Liczba turystów w Polsce w poszczególnych miesiącach- okresów

Wydatki oświatowe na jednego mieszkańca- okresów

Liczba bibliotek publicznych- momentów

Składniki szeregu czasowego:

-trend- ogólna tendencja rozwojowa (liniowa, wykładnicza itp.)

-wahania cykliczne- powtarzalne odchylenia szeregu od tendencji rozwojowej:

Wahania sezonowe- nie dłuższy niż rok (efekt poniedziałku, rynki finansowe) może mieć charakter
addytywny (wyższe o ileś) i multiplikatywny (zużycie energii elektrycznej)

Wahania koniunkturalne- wieloletnie

Wahania przypadkowe- nie ma systematycznych zmian (reszta, im mniejsza tym lepiej)

FINANSOWE SZEREGI CZASOWE (ceny akcji, stopy procentowe, kursy walutowe)

Normalność rozkładu, stacjonarność szeregu czasowego, brak rozkładu normalnego- będą miały
gruby ogon- pojawianie się wartości znacznie odstających od średniej- rozkład platykurtyczny.

Leptokurtyczny- dużo wartości blisko średniej

Stacjonarność szeregu czasowego (słaba)-jeżeli jego średnia i wariancja są stałe, a kowariancja zależy
tylko od opóźnienia występującego między okresami, nie od konkretnego czasu od którego
zaczynami liczyć kowariancje.

Wartość oczekiwana, średnia, przeciętnie mamy stałą wartość w czasie

Kowariancyjna stacjonarność/słaba- szereg czasowy ma zdolność powrotu do średniej. Jeśli pojawią

się zaburzenia to mają charakter przejściowy (jaki ma wpływ permanentny czy przejściowy). Słaba
nie ma długiej pamięci i zapewnia powrót do długookresowej średniej.

Testowanie normalności rozkładu

Średnia, mediana, dominanta, kwartyle, wariancja, odchylenie standardowe, skośność i kurtoza

Próbka a populacja

Miara skośności trzeci moment centralny standaryzowany- bardzo ważna miara „-„ lewostronna
asymetria

Rozstęp=maksimum-minimum

Czy szereg ma rozkład normalny- histogram a krzywa rozkładu normalnego, wykres kwantylowy,
testy zgodności z rozkładem (shapiro-wilka itp.), wykres skrzynkowy/ramkowy

Test Jarque-Bera: omnibusowy, test oparty o moment próby, precyzyjniej o miarę skośności i marę
kurtozy.

Test zgodności chi kwadrat- pozwala badać zgodność z dowolnym teoretycznym rozkładem.

Test shapiro-wilka: statystyki pozycyjne, kwantyle

Test Kołmogorowa-smirnowa: odwołuje się do dystrybuanty empirycznej i porównuje ją z
teoretyczną i szuka maksymalnej różnicy.

Nie więcej niż 15 klas

Wykres skrzynkowy- wąsy tej samej długości i wysokości/długości prostokątów takie same

Sprawdzanie normalności- test chi kwadrat- przedziały i ile jest elementów w danej klasie,
dystrybuanta empiryczna. Excel --> rozkład normalny (x, średnia, odchylenie standardowe) i czy
interesuje nas funkcja gęstości czy dystrybuanty (szereg skumulowany) tak wyliczymy dystrybuantę
teoretyczną i potem możemy wyliczyć prawdopodobieństwo teoretyczne (różnica między
dystrybuantą) potem mnożymy przez liczebność-liczebność teoretyczna (porównujemy liczebności N
a N teoretyczne) to jest chi kwadrat (chi test) chi kwadrat=0 to odrzucamy h0 na rzecz hipotezy
alternatywnej wiec nie może być nazwane normalnym, h0-zgodność z rozkładem teoretycznym, h1-
nie ma

Wykres kwantylowy jak krańce odstają od prostej to brak zgodności z rozkładem normalnym (kwantyl
teoretyczny porównywany z kwantylem z rozkładu empirycznego)

Logarytmiczna stopa zwrotu= log z bieżącej wartości – log z wartości wcześniejszej

Stopa zwrotu- przyrost ceny przez wcześniejszą wartość (b3-b2)/b2 t-(t-1)/(t-1)

Log stopa zwrotu= ln z bieżącej wart – ln z wartości wcześniejszej t-(t-1)

Stopa zwrotu jest bardziej zmienna niż logarytmiczna. Logarytmiczna stopa ma rozkład bliższy
rozkładowi normalnemu- częściej ma rozkład normalny niż klasyczna stopa zwrotu. Logarytmiczna
lepsza do modeli

ĆW 2.

Adaptacyjne metody prognozowania, metody do prognoz krótkoterminowych najlepiej jednego

okresu.

Metody naiwne i metody średnich ruchomych

Stacjonarność (metody naiwne, średnich ruchomych, wygładzenia wykładniczego)

Prognozowanie- co, dlaczego – wybór szeregu czasowego i modelu (czy szereg ma trend,
sezonowość) dekompozycja szeregu czasowego, właściwości- stacjonarność, sezonowość, błędy
prognoz

Metoda naiwna- niewielkie wahania szeregu prognozowanego, krótkookresowe np. dzienne, punkt
odniesienia dla innych prognoz przez porównywanie, możemy stworzyć lepszą prognozę

1 GRUPA. STAŁY POZIOM ZJAWISKA/STAŁA WIELKOŚĆ ZJAWISKA W CZASIE, WAHANIA

PRZYPADKOWE, NIE JEST TO STAŁA TENDENCJA ROZWOJOWA, BRAK TRENDU, BRAK SEZONOWOŚCI
TO METODA NAIWNA POZIOM BEZ ZMIAN, ŚREDNIA RUCHOMA PROSTA I ŚREDNIA RUCHOMA
WAŻONA (POZIOM, ŚREDNIA)
2 GRUPA. TREND, JEST PRZYROST, METODA NAIWNA PRZYROST BEZ ZMIAN, ŚREDNIA RUCHOMA
UŚREDNIAJACA PRZYROST, W DANYCH WYSTĘPUJE JAKAŚ TENDENCJA

3 GRUPA. METODA NAIWNA PRZYROST PROCENTOWY BEZ ZMIAN, GDY PRZYROSTY LEPIEJ WYRAŻAĆ
W UJĘCIU PROCENTOWYM A NIE LINIOWYM, WARTOŚCIOWYM, RZADKO SIĘ UŻYWA I ANALIZUJE

PRZYKŁADY METOD NAIWNYCH

Poziom bez zmian- nie ma trendu (jutro będzie tak jak dziś) pojutrze i dalej tak samo. Będzie tak samo
jak ostatnio

Przyrost bez zmian- cena z ostatniego tygodnia + zmiana jaką zaobserwowaliśmy t-(t-1). Jutro będzie
tak jak dziś + przyrost który widzimy że się ostatnio realizuje. Ostatnia obserwacja + ostatni przyrost.
Poziom i przyrost. Przyrost razy 2 i 3

Przyrost procentowy bez zmian- rzadko stosowana, trzeba być ostrożnym, trend wykładniczy
występuje rzadko. 5% zmiany. Prognozując na jutro bierzemy ostatnią wartość t x (t/t-1). Przyrost w
ujęciu procentowym zostanie bez zmian. Ostatnia wartość jest mnożona przez iloraz
(ostatnia/pierwsza). Przyrost do potęgi 2 i 3

ŚREDNIE RUCHOME K-OKRESOWE

Metoda średniej ruchomej zwykła/prosta- zamiast spoglądania na jedną ostatnią wartość, chcemy
patrzeć na k ostatnich okresów i wyliczyć średnią. Na okres na jutro prognozuję wykorzystując
średnią z k ostatnich okresów. Im większe k czyli większa skala wygładzania tym silniejszy efekt
wygładzenia. Nie przewiduje trendu, gdy nie ma sezonowości, nie ma trendu. Poziom poziom
średnia. Średnia z 5 ostatnich okresów. (kiedy k=5) Patrzymy k okresów wstecz. Mix obserwacji i
prognoz czasami jak nie mamy już obserwacji.

Patrz k ostatnich okresów wyników rzeczywistych lub prognoz.

Metoda średniej ruchomej uśredniającej przyrost- gdy jest trend. Weź ostatnią obserwację i dodaj
średni przyrost. Skala wygładzania wskazuje jak bardzo wygładzam przyrost. Obserwacja poprzednia
+ 5 uśrednionych przyrostów, ale wygodniej policzyć: obserwacja poprzednia + (obserwacja
poprzednia-obserwacja najpóźniejsza)/przez k. 5 przyrostów oznacza 6 okresów w tej metodzie.
Poziom + 2,3 uśrednione takie przyrosty, wcześniej zablokowana cała komórka $.

Metoda średniej ruchomej ważonej – poziom x waga + poziom x waga + poziom x waga. Nie ma
trendu, przeciętna stała wartość zjawiska. Może służyć do danych z trendem ale wtedy wzór wygląda
inaczej. Dodaj wagi. Obserwacja x waga, gdzie wagi blokujemy $. Optymalizacja wag
exceldanesolver. SOLVER pomaga nam do optymalizacji błędu np. chce minimalizować błąd
RMSPE, przez zmienianie wag, gdzie każda musi być mniejsza od 1 i musi być większa lub = 0.
Dane kwartalne, sezonowość, bez trendu, q2 podobny do q2 roku poprzedniego -jednoimienne

Badanie trafności prognozy: podzbiór kontrolny-25% obserwacji, podzbiór inicjalny- wpierw to

Błędy prognoz: obliczamy tam gdzie mamy możliwość porównania

ME - nie jest gwarantem sukcesu. sprawdzam jak y-realizacja różni się od prognozy i obliczam średnią
odchyleń. Chcemy by błąd wynosił 0. Jeśli ME>0 to prognozy są systematycznie (stale)
niedoszacowane, za małe. ME<0 to prognozy są za duże (prognoza>realizacja). Średnia z odchyleń

. czy bardzo prognoza różni się w stosunku do realizacji. Czy jest czy nie ma stałego
obciążenia

MSE- nieinterpretowalna miara. Średnia z

RMSE- pierwiastek z MSE- tym mniejszy im mniejszy błąd MSE, o ile przeciętnie prognoza odchyla się

od realizacji w jednostkach analizowanej cechy. Pierwiastek z .

RMSPE- procentowe, jeżeli jest mniejszy od 3% to prognoza jest rewelacyjna, mniejszy niż 5% to
dobra, jeśli 5%-10% to powinniśmy się zastanowić nad wybraną metodą prognozowania. (można
zwiększyć ilość danych - długość szeregu czasowego, poszukać lepszej metody), jak powyżej 10% to

metoda nie nadaje się do prognozowania. Pierwiastek ze średniej (kwadratów

odchyleń). Jak duże jest odchylenie w ujęciu procentowym.

MAPE- moduł z odchyleń prognoz od realizacji, skrajne, największe odchylenia nie mają aż tak dużego

wpływu. Średnia z modułów odchyleń czyli średnia z .

ĆW 3.

Metody adaptacyjne- modele wyrównywania wykładniczego:

WYGŁADZANIE WYKŁADNICZE

Metoda Browna  krótkoterminowe, dotyczy sytuacji kiedy nie mamy trendu i nie mamy
sezonowości. Jest stosowany gdy w danych występuje przeciętnie stała wielkość zjawiska. Patrzy na
ostatnią realizację, tylko z wagą alfa z przedziału 0;1, oprócz tego patrzymy na prognozy na okres t.
Prognoza na okres t zależy od realizacji z okresu t-1 i prognozy z okresu t-1. ALFA<0,5 Jeśli wychodzi
nam większe to znaczy, że metoda Browna nie jest optymalną metodą prognozowania. 1 realizacja to
1 prognoza. Jak alfa 1 to tak jak metoda naiwna wykres w lewo, jeśli małe wartości to wyrównanie do
poziomu średniej-dane się nie nadają. Alfa mniejsze od 0,5. Solver- optymalne rozwiązanie. Im
mniejsze alfa tym bardziej wygładzony staje się szereg. Np. minimalizacja błędu RMSPE, zmieniając
alfa – z przedziału 0;1 i otrzymujemy zoptymalizowane alfa. JAKBY SOLVER WYKAZAŁ NAM
OPTYMALNE ALFA > 0,5 TO ZNACZY ŻE NIE JEST TO OPTYMALNA METODA Z PRZERSPEKTYWY TYCH
DANYCH. Założenie: pierwsza prognoza jest równa pierwszej realizacji. Druga to alfa x (y wcześniejszy
okres)+(1-alfa) x (y^ z wcześniejszego okresu). Jeżeli potrzebujemy prognozy na więcej niż 1 okres do
przodu (tu dwa) to przyjmujemy ostatnia wartość z prognozy. Błąd od drugiego okresu liczymy, gdyż
w pierwszym by wyszło 0 i obniżałoby to sztucznie wyniki.

Metoda Holta  dodajmy trend liniowy, prognoza wymaga wielorównaniowego modelu. Pierwszym
równaniem F dokonujemy wygładzania poziomu zmiennej, wykorzystując alfa czyli stałą wygładzania
tego poziomu. Wygładzony poziom w okresie t to to co jest aktualnie y (nasza realizacja) ale zważone
prognozą F+T (wcześniejszy poziom + wcześniejszy przyrost). POZIOM, PRZYROST, PROGNOZA
(WZÓR)

POZIOM F wygładzony w okresie t (jeszcze nie prognozuje) wygładzony poziom na okres t ma związek
z realizacją z okresu t, ale spoglądam też jakbym prognozowała poziom (brała wcześniejszy
wygładzony poziom i dodawała do niego przyrost) na ten okres

WYGŁADZONY PRZYROST T ze stałą wygładzenia beta, mówimy o trendzie liniowym, przyrost między
beta x różnica między poziomami + (1-beta) x (wcześniejszy przyrost). Jeśli przyrastało 5 z okresu na
okres to przewidujemy że o tyle samo wzrośnie.

Na podstawie poziomu i przyrostu tworzymy prognozę.

PROGNOZA na okres t+1=F+T (poziom+przyrost) Jeśli chcemy prognozować dalej niż t+1 (czyli t+tau)
to oznacza, że poziom+ tau przyrostów (tau x T) 1,2,3 PRZYROSTY itp.

Pierwszy poziom=pierwszej realizacji, wpierw wskazujemy wygładzony poziom i wygładzony przyrost

a potem prognozę. Dwie stale alfa i beta. Pierwszy poziom to pierwsza wartość, a pierwszy przyrost
to różnica wartości późniejszego i wcześniejszego okresu. Poziom + 2/3*przyrosty dla wartości
prognozowanych kolejnych okresów. Za pomocą Solver (RMSPE chcemy minimalizować)
optymalizujemy alfa i beta <1 i >0

Metoda Wintersa  a co jeśli dodamy sezonowość, będę wygładzała poziom, przyrost ale także efekt
sezonowy.

Efekt sezonowy może być addytywny (będę dodawała go) lub multiplikatywny (w procentach).
Przeciętnie w grudniu to mam obroty zawsze o średnio 50 000 zł wyższe i będę posługiwać się
jednostkami analizowanej zmiennej czy jednak amplituda moich wahań się zmienia i lepiej ujmować
sezonowość w procentach a zatem model multiplikatywny.

Tendencja wyrównaj poziom, wyrównaj przyrost, wyrównaj sezonowość i uwzględnij prognozę.

Model addytywny to dodaj sezonowość, a jeśli model multiplikatywny to zamiast dodaj (S) będzie
mnożenie „razy”, sezonowość będzie ujęta indeksem, który mówi o procentach.
MODEL ADDYTYWNY

Jeśli wygładzam POZIOM to od realizacji muszę odjąć wpływ efektu sezonowości, który jest wyliczony
dla okresu t-r (r-liczba okresów sezonowości w danym cyklu) Gdy nie mamy zamkniętego cyklu to nie
wiemy jaki jest efekt sezonowy, jaki jest jego wpływ. Ocenę możemy zrobić na cyklu który już się
zamknął-na podstawie minionego roku mogę ocenić jaki był efekt sezonowy w danym miesiącu. Stąd
też cofamy się o r okresów. Amplituda wahań jest stała. Sezonowość żeby określić trzeba mieć cały
okres, suma wskaźników sezonowych musi wynosi 0.

Wzór na trend nie uległ zmianie.

Wzór na SEZONOWOŚĆ- to trzecia stała wygładzania gamma (y-F) jeśli od realizacji odejmę poziom to
zostanie sezonowość +(1-gamma) x (St-r) „sezonowość teoretyczna”. Najlepszą prognozą efektu
sezonowego na okres t jest sezonowość z okresu t-r.

Y^= (POZIOM+PRZYROST)+SEZONOWOŚĆ

Jeśli chce prognozować na więcej niż jeden okres do przodu to robimy podobnie jak u Holta (poziom
+ tau przyrostu) HOLT + SEZONOWOŚĆ

OPTYMALIZACJA SOLVER – MINIMALIZUJEMY RMSPE GDZIE ALFA,BETA,GAMMA >0 I <1.

MODEL MULTIPLIKATYWNY

W kliku miejscach odejmowanie zamienia nam się na dzielenie, żeby uzyskać indeks sezonowości,
żeby dobrze odczytać zmieniające się wartości w ujęciu bezwzględnym, ale względnie stałym. Przy
wyliczaniu wartości mnożymy przez efekt sezonowy. To co jest w nawiasie do wzoru na więcej niż
jeden okres to jest Holt. POZIOM + PRZYROST, SEZONOWOŚĆ jest indeksem. Rosnąca amplituda
wahań.

Sezonowość- zamiast „-„ jest dzielenie „/”

F1  y dzielimy przez odpowiadający indeks sezonowości

T1  nie ma zmian tak samo jak w addytywnym

Potem F tak samo ale y/indeks sezonowości (zamiast -)

S zamiast odejmowania dzielenie

To metody rozszerzenia idei średniej ruchomej. Ocena zakłóceń, które pojawiają się historycznie i na
tej podstawie tworzona jest lepsza wartość prognozowana. Wykorzystują informacje zawarte w
całym szeregu czasowym, a nie jak w średniej ruchomej, gdzie bierzemy tylko k ostatnich
okresów/przyrostów.

MODEL TRENDU Z SEZONOWOŚCIĄ

Alternatywny dla modelu Wintersa, zmiennej sztuczne, zerojedynkowe, które pokażą jaki okres
mamy, q1 czy q2.
r-1, do danych kwartalny 3 zmienne zerojedynkowe, miesięcznych 11

Funkcja regresji: trend + zmienna

Patrzymy na wartość p: informuje czy zmienna jest istotna w modelu. H0 mówi ze zmienna jest
nieistotna, chcemy odrzucić h0 wiec p musi mieć mniej niż poziom istotności (0,05) żeby odrzucić

Przecięcie to stała, Współczynniki  o ile przeciętnie z okresu na okres zmienia się wielkość zjawiska