Mლექცია 11

დროითი მწკრივების ანალიზი

პროგნოზირება ARMAმოდელის გამოყენებით

ე კ ო ნ ო მ ე ტ რ ი კ ა
2012
ნიკოლოზ ოსტაპენკო
დროითი მწკრივების საშუალებით
პროგნოზირება

პროგნოზირების ეტაპები:

•დროთი მწკრივების პირველადი ანალიზი.

•მოდელის აგება.
•მოდელის ხარისხის შეფასება.
•საუკეთესო მოდელის არჩევა.
•საპროგნოზი სიდიდის შეფასება.
დროთი მწკრივების პირველადი ანალიზი

1. ანომალური დაკვირვებების გამოვლენა

(ირვინის მეთოდი)
2. დროითი მწკრივის მოსწორება (მარტივი
მცურავი საშუალოს მეთიდი, შეწონილი მცურავი
საშუალოს მეთოდი, ექსპონეციალური მოსწორების
მეთოდი)
3. ტრენდის არსებობის შემოწმება
4. ეკონომიკური პროცესის
მახასიათებლების გაანგარიშება
ანომალური დაკვირვებების გამოვლენა
ანომალური დაკვირვებების გამოვლენისათვის შეგვიძლია
მივმართით ვიზუალური დაკვირვების მეთიდს, თუმცა არსებობს
სტატისტიკური მეთოდიც, კერძოდ ირვინის კრიტერიუმი:
 მწკრივის ყოველი დაკირვებისათვის შეგვიძლია გამოვთვალოთ:

λt = | yt - yt-1 | / σy ,
n

სადაც σy =
 t
(y
t 1
 y ) 2

- საშუალო კვადრატული გადახრა;

n 1
n
1
y 
n
y
t 1
t - yt .ს საშუალო არითმეტიკული მნიშვნელობა

 λt მიღებული მნიშვნელობები ურადრება მის კრიტიკულ

მნიშვნელობებს λtk , და თუ სრულდება უტოლობა λt > λtk, მაშინ
დაკვირვება ანომალურია.
 170
175
180
185
190
195
200
205
210
215
220
225
230
235
240
245
250
255
2/2 2/2 0 0 0

2/2 4/2 0 0 0

2/2 6/2 0 0 0

2/2 8/2 0 0 0

3/1/2 0 0 0

3/3/2 0 0 0

3/5/2 0 0 0

3/7/2 0 0 0

3/9/2 0 0 0

3/1 1/2 0 0 0

3 /1 3 /2 0 0 0

3/1 5/2 0 0 0

3/1 7/2 0 0 0

3 /1 9 /2 0 0 0

3 /2 1 /2 0 0 0
ანომალური დაკვირვებების გამოვლენა

დაკვირვება
ანომალური
ანომალური დაკვირვებების გამოვლენა

255
250
245
240
235
230
225
220
ანომალური
215
210 მნიშვნელობის
205 ჩანაცვლება
200
195
190
185
180
175
2 /2 2 / 2 0 0 0

3 /1 1 /2 0 0 0
3 /1 /2 0 0 0

3 /3 /2 0 0 0

170
3/5/2 0 0 0

3/7/2 0 0 0

3/9/2 0 0 0
2/2 4/2 0 0 0

2/2 6/2 0 0 0

2/2 8/2 0 0 0

3/1 3/2 0 0 0

3/1 5/2 0 0 0

3/1 7/2 0 0 0

3/1 9/2 0 0 0

3/2 1/2 0 0 0
ანომალური მნიშვნელობის ჩანაცვლებისათვის
გამოიყენება მწკრივის მოსწოდების მეთოდები
მწკრივისპროგნოზირებამწკრივისმოსწორების
მეთოდისგამოყენებით
მოსწორება შეიძლება განხორციელდეს სხვადასხვა
მეთოდით:
o მარტივი მცურავი საშუალო;
o შეწონილი მცურავი საშუალო;
o ექსპონეციალური მოსწორება;
o ორმაგი ექსპონეციალური მოსწორება;
o ჰოლტის მეთოდით
o ჰოლტის მეთოდი ადიტიური სეზონური
ფაქტორისათვის
o ჰოლტის მეთოდი მულტიპლიკაციური
სეზონური ფაქტორისათვის
მწკრივისპროგნოზირებამატივიმცურავისაშალოს
გამოყენებით

~ y y  ...  yT
yT  h  LT  T  h 1 T  h  2 მარტივი მცურავი საშუალო
k

wmat  LT  w1 xT  k 1  w2 xT  k  2  ...  wk xT
შეწონილი მცურავი საშუალო
wk  wk 1  ...  w1  0

მცურავი საშუალოს გამოყენება უსარგებლოა თუ მწკრივი

შეიცავს სეზონურ კომპონენტს ან/და აქვს მზარდი ან
შემცირებადი ტრენდი
მწკრივისპროგნოზირებაექსპონეციალური
მოსწორებისგამოყენებით
~
xT  h  LT  xT  (1   ) LT 1  xT   (1   ) xT 1   (1   ) 2 xT  2 ...
0  1
4500

4000

3500

3000

2500

2000
2002 2003 2004 2005 2006 2007 2008

Y YSM

  0.452
მწკრივისპროგნოზირება ორმაგიექსპონეციალური
მოსწორებისგამოყენებით
~
~ ~ ~
~ ~ ~
~  ~ ~
yT  h  LT  yT  (1   ) yT 1  2 yT  yT  ( yT  ~
yT )h  a  bh
    1     
a
4500 b

4000

3500

3000

2500

2000
2002 2003 2004 2005 2006 2007 2008

Y YSM

  0.452
მწკრივისპროგნოზირებაჰოლტისმეთოდის
გამოყენებით

 Lt  yt  (1   )( Lt 1  Tt 1 ), 0    1

T   ( L  L )  (1   )T , 0    1
 t t t 1 t 1
~
y  L T h
t h t t

Lt  მწკრივის მიმდინარე დონე

Tt  ლოკალური ტრენდის მიმდინარე კუთხის კოეფიციენტი
4500

4000

3500

3000

2500

2000
2002 2003 2004 2005 2006 2007 2008

Y YSM
მწკრივისპროგნოზირებაჰოლტისმეთოდის
(ადიტიურისეზონურიფაქტორისათვის) გამოყენებით

 Lt  yt  (1   )( Lt 1  Tt 1 ), 0    1

Tt   ( Lt  Lt 1 )  (1   )Tt 1 , 0    1

St   ( yt  Lt 1 )  (1   ) St  s , 0    1

~
yt  h  Lt  Tt h  St  h  4
St  სეზონური ფაქტორი, ხოლო s=4 კვარტლებისათვის, s=12 თვეებისათვის
4500

4000

3500

3000

2500

2000
2002 2003 2004 2005 2006 2007 2008

Y YSM
მწკრივისპროგნოზირებაჰოლტისმეთოდის
(მულტიპიკაციურისეზონურიფაქტორისათვის) გამოყენებით
 yt
 Lt   S  (1   )( Lt 1  Tt 1 ), 0    1
 t s


Tt   ( Lt  Lt 1 )  (1   )Tt 1 , 0    1
 y
St   t  (1   ) St  s , 0    1
 Lt 1

~
yt  h  ( Lt  Tt h) St  h  4
4500

4000

3500

3000

2500

2000

1500
2002 2003 2004 2005 2006 2007 2008

Y YSM
ტრენდისექსტრაპოლაციაუმცირესკვადრატთა
მეთოდისგამოყენებით
მაგალითად მოცემული გვაქვს შემდეგი მოდელი yt   1   2 t   t

4400
Forecast: Y_1F
4000 Actual: Y_1
4000 Forecast sample: 2002Q1 2009Q1
3600 Included observations: 29

3500 3200 Root MeanSquared Error 71.74596

MeanAbsolute Error 57.50121
MeanAbs. Percent Error 1.844043
2800
Theil InequalityCoefficient 0.011860
3000 Bias Proportion 0.000000
2400
Variance Proportion 0.005004
Covariance Proportion 0.994996
2500 2000

1600
2002 2003 2004 2005 2006 2007 2008
2000
2002 2003 2004 2005 2006 2007 2008 Y_1F

Y0 Y_1F
 ARMA პროცესისსაპროგნოზომახასიათებლები
თეთრი ხმაურის პროცესი – რაიმე სახის ტენდენციას
(ტრენდს) აქ ადგილი არ აქვს, რადგან
yt     t
დამოუკიდებლობის პირობით დაკვირვებებს არ ახსოვთ
მწკრივის წარსული ქცევა
AR პროცესი –პროცესს ახსოვს მწკრივის წარსული y    y  
t t 1 t
მდგომარეობა და ამ ინფორმაციას იყენებს მისი
მომავალი ქცევის განსაზღვრისათვის
MA პროცესი –პროცესს ზუსტად არ ახსოვს მწკრივის
წარსული, მაგრამ ახსოვს შემთხვევითი ხმაურის
კომპონენტის წარსული მდგომარეობა, აქედან
yt     t   t 1
გამომდინარე მისი მეხსიერება შეზღუდულია
მომავალთან მიმართებაში მეხსიერების ბიჯით. ამ ბიკის
შემდეგ პროცესისათვის ყველაფერი იწყება თავიდან.
ARMA პროცესი –პროცესი აერთიანებს AR და MA
yt    yt 1   t   t 1
პროცესების მეხსიერებას.
AR მოდელითპროგნოზირება
yt    1 yt 1   t
საპროგნოზო მნიშვნელობა ტოლია
fT ,1  E ( yT 1 | T )    E (1 yT | T )  E ( T 1 | T )    1 yT
2
fT , 2  E ( yT  2 | T )  (1  1 )  1 yT
2 h 1 h
fT , 2  E ( yT  h | T )  (1  1  1  ...  1 )  1 yT
სადაც, fT ,1  პროგნოზი T  საპროგნოზი ინფორმაცია h ბიჯი
თუ გავითვალისწინებთ, რომ

1  1,
h 1 
h    (1  1  1  ...  1 )   , 1 yt  0
2 2

1  1
მაშინ საპროგნოზო ჰორიზონტის ზრდასთან ერთად საპროგნოზო
მაჩვენებლის მნიშვნელობა მის მათემატიკურ ლოდინს უახლოვდება

yT  h    1 yT  h 1  ... p yT  h  p   T  h
AR მოდელითპროგნოზირება
5000

4000
yt    1 yt 1   2 yt 4   t
3000

2000
02 03 04 05 06 07 08 09 10 11

Y YF

5500
Forecast: YF
5000 Actual: Y
Forecast sample: 2002Q1 2011Q4
4500 Adjusted sample: 2003Q1 2011Q4
Included observations: 24
4000

3500 Root MeanSquared Error 191.2252

Mean Absolute Error 150.6808
3000 Mean Abs. Percent Error 4.935969
Theil Inequality Coefficient 0.030685
2500 Bias Proportion 0.001322
Variance Proportion 0.308486
2000 Covariance Proportion 0.690192

1500
03 04 05 06 07 08 09 10 11

YF
MA მოდელითპროგნოზირება
yt   t  1 t 1
საპროგნოზო მნიშვნელობა ტოლია

fT ,1  E ( yT 1 | T )  E ( T 1 | T )  E ( 1 T | T )  1 T
fT , 2  E ( yT  h | T )  E ( T  h | T )  E ( 1 T  h1 | T )  0

თუ გავითვალისწინებთ, რომ
yt     t  1 t 1
fT , h  

yT  h     T  1 T  h 1  ...   q T  q
MA მოდელითპროგნოზირება
4500

4000

3500
yt     t  1 t 1   2 t 4
3000

2500

2000
02 03 04 05 06 07 08 09 10 11

Y YF

4500
Forecast: YF
Actual: Y
4000
Forecast sample: 2002Q1 2009Q1
Included observations: 28
3500
Root Mean Squared Error 299.6746
3000 Mean Absolute Error 245.4488
Mean Abs. Percent Error 8.719712
Theil Inequality Coefficient 0.050027
2500 Bias Proportion 0.000104
Variance Proportion 0.793844
2000 Covariance Proportion 0.206052

1500
2002 2003 2004 2005 2006 2007 2008

YF
ARMA მოდელითპროგნოზირება 7000
Forecast: YF
6000 Actual: Y
Forecast sample: 2002Q1 2011Q4
yt 1  1 yt   t 1  1 t 5000
Adjusted sample: 2003Q1 2011Q4
4000 Included observations: 24
fT ,1  1 yT  ( yT  fT 1,1 ) 3000
Root MeanSquared Error 154.5659
2000 MeanAbsolute Error 121.8631
MeanAbs. Percent Error 3.978757
1000 Theil InequalityCoefficient 0.024837
03 04 05 06 07 08 09 10 11 Bias Proportion 0.000132
yt    1 yt 1   2 yt 4   t  1 t 2   2 t 3 Variance Proportion 0.474954
YF Covariance Proportion 0.524914

4400 7000
Forecast: YF
4000 6000 Actual: Y
3600 5000 Forecast sample: 2002Q1 2011Q4
Adjusted sample: 2003Q1 2011Q4
3200 4000 Included observations: 24
2800 3000
Root MeanSquared Error 154.5659
2400 2000 MeanAbsolute Error 121.8631
MeanAbs. Percent Error 3.978757
2000 1000 Theil InequalityCoefficient 0.024837
02 03 04 05 06 07 08 09 10 11 03 04 05 06 07 08 09 10 11 Bias Proportion 0.000132
Variance Proportion 0.474954
Y YF YF Covariance Proportion 0.524914
მოდელისპროგნოზისმახასიტებელისტატისტიკები
Root Mean Squared Error –ფესვი საშუალო კვადრატული შეცდომიდან

Mean Absolute Error –საშუალო აბსოლუტური შეცდომა

Mean Abs. Percent Error – საშუალო აბსოლუტური შეცდომა(%–ში)

მოდელისპროგნოზისმახასიტებელისტატისტიკები

Theil Inequality Coefficient –ტეილის კოეფიციენტი (პროგნოზის შეცდომა)

Bias Proportion – გვიჩვენებს პროგნოზის საშუალო მნიშვნელობასა და

რეალური დროითი მწკრივის საშუალო მნიშვნნელობას შორის სხვაობას
 მოდელისპროგნოზისმახასიტებელისტატისტიკები

Variance Proportion –გვიჩვენებს პროგნოზის დისპერსიის გადახრას რეალური

დროითი მწკრივის დისპერსიისაგან

Covariance Proportion –გვიჩვენებს პროგნოზის არასისტემატური შეცდომის

ცვლილებას

r–კორელაციის კოეფიციენტია საპროგნოზო და რეალურ მწკრივს შორის