- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Анализ и прогнозирование объема продаж сетей автозаправочных станций в США. StatSoft Russia презентация
Содержание
- 1. Анализ и прогнозирование объема продаж сетей автозаправочных станций в США. StatSoft Russia
- 2. Рассматривались данные по месячным объемам продаж
- 3. Временной ряд по продажам рассматривался на
- 4. Визуализация данных
- 5. График временного ряда
- 6. Целесообразно рассматривать динамику показателя на двух
- 7. Интерактивно выбираем рабочую область для анализа
- 8. Динамика показателя на разных временных интервалах Динамика различается
- 9. Применяем методы модуля “Временные ряды и прогнозирование”
- 10. Обозначим этапы исследования: провести анализ
- 11. Исключим из рассмотрения последние 12 месяцев в
- 12. Исследование временного ряда на первом интервале: январь
- 13. Преобразуем исходный ряд к следующему виду: Dy(t)=y(t)-y(t-1)
- 14. Строим график автокорреляционной функции преобразованного ряда: Значимые
- 15. Исследуемый временной ряд обнаруживает свойства периодичности.
- 16. Шаг 2: Определение периода сезонной составляющей. Применяем
- 17. Периодограмма содержит ярко выраженный пик на значении
- 18. Применяем метод сезонной декомпозиции ряда Устанавливаем сезонный
- 19. Результаты сезонной декомпозиции: Сезонная составляющая. Наблюдается годовая
- 20. Шаг 3: На каждом временном интервале будем
- 21. Построение модели АРПСС: Значение сезонного лага равно
- 22. Оценивание коэффициентов модели: Итеративная процедура оценивания. Коэффициенты модели статистически значимы на доверительном уровне 5%.
- 23. Шаг 4: Исследование адекватности модели. Анализируем остатки:
- 24. Шаг 5: Построение прогноза на основе полученной
- 25. График исходного ряда и прогноза Прогноз на 12 месяцев Границы доверительных интервалов
- 26. Шаг 6: Проверка точности прогноза
- 27. Рассмотрим переход между двумя временными интервалами
- 28. Результаты для временного интервала январь 1979 -
- 29. Шаг 7: Строим прогноз согласно полученной модели:
- 30. Можно ли сделать это проще с помощью других методов в STATISTICA ?
- 31. Применим методы анализа прерванных временных рядов
- 32. Построение прогноза двумя способами и сравнение результатов:
- 33. Пользуемся методом экспоненциального сглаживания Выбираем тип
- 34. Сравниваем результаты прогнозов на последний год выборки
- 35. Строим прогноз с помощью метода экспоненциального сглаживания:
- 36. Система STATISTICA предоставляет пользователю все необходимые методы
Рассматривались данные по месячным объемам продаж бензина на автозаправочных станциях в США Временной ряд взят на сайте www.economagic.com
Слайд 1Пример:
Анализ и прогнозирование
объема продаж сетей
автозаправочных
станций в США
StatSoft® Russia
Семенов Дмитрий
Слайд 2
Рассматривались данные
по месячным объемам продаж бензина
на автозаправочных
станциях в США
Временной ряд взят
на сайте
www.economagic.com
www.economagic.com
Слайд 3Временной ряд по продажам
рассматривался на интервале
январь 1967 года-
январь 2001 года
Данные
в
STATISTICA
STATISTICA
Слайд 6Целесообразно рассматривать
динамику показателя на двух
различных временных
интервалах:
январь 1967
- декабрь 1978
январь 1979 - январь 2001
январь 1979 - январь 2001
Слайд 7Интерактивно выбираем
рабочую область
для анализа - временной интервал,
на котором будет проходить
дальнейшее
исследование
исследование
Задаем условие
на номер
наблюдения или
на значение
переменной
Слайд 10Обозначим этапы исследования:
провести анализ
динамики объемов продаж на каждом
временном интервале
построить модель, адекватно
отражающую изменение
показателя во времени
сделать прогноз на основе полученной
модели на 12 месяцев
построить модель, адекватно
отражающую изменение
показателя во времени
сделать прогноз на основе полученной
модели на 12 месяцев
Слайд 11Исключим из рассмотрения последние
12 месяцев в каждом интервале.
На этих данных будем
проверять
точность прогноза,
построенного с помощью
модели
точность прогноза,
построенного с помощью
модели
Слайд 12Исследование временного ряда
на первом интервале:
январь 1967 - декабрь 1977
Шаг 1:
Проверка
ряда на стационарность -
анализ автокорреляционной функции:
анализ автокорреляционной функции:
Наблюдается сильная
корреляция между
соседними членами ряда,
причем значения
коэффициентов
автокорреляции
убывают очень медленно.
Отсюда следует, что
ряд нестационарный.
Слайд 14Строим график автокорреляционной
функции преобразованного ряда:
Значимые
коэффициенты
корреляции
наблюдаются
между значениями
показателя,
отстоящими
на 6 месяцев
друг от
друга.
Слайд 15Исследуемый временной ряд
обнаруживает свойства
периодичности.
Нужно выделить сезонную
составляющую и
скорректированный ряд,
который несет информацию
об общем характере динамики.
Слайд 16Шаг 2: Определение периода
сезонной составляющей.
Применяем метод
спектрального анализа
Фурье
На графике периодограммы
изображены вклады
каждого значения
периода
Слайд 17Периодограмма содержит ярко выраженный
пик на значении периода, равном 12.
В исходном временном
ряде
имеется годовой цикл.
имеется годовой цикл.
Слайд 18Применяем метод сезонной
декомпозиции ряда
Устанавливаем
сезонный лаг
равным 12
Предполагаем,
что модель
мультипликативна,
поскольку
размахи через
период
возрастают
возрастают
Слайд 19Результаты сезонной декомпозиции:
Сезонная составляющая.
Наблюдается годовая
периодичность.
Скорректированный ряд.
Ярко выраженная
возрастающая
тенденция в динамике
показателя.
Слайд 20Шаг 3: На каждом временном интервале
будем описывать динамику
объемов продаж моделями
Авторегрессии и
скользящего среднего
Слайд 21Построение модели АРПСС:
Значение сезонного
лага равно 12.
Перед оценкой
приводим ряд к
стационарному
виду
с помощью
взятия первой
разности.
взятия первой
разности.
Добавляем в модель
скользящее среднее.
Слайд 22Оценивание коэффициентов модели:
Итеративная
процедура
оценивания.
Коэффициенты модели статистически значимы
на доверительном уровне 5%.
Слайд 23Шаг 4: Исследование адекватности модели.
Анализируем остатки:
Распределение остатков
достаточно хорошо описывается нормальным
распределением, следовательно,
модель адекватно
отражает динамику исследуемого процесса.
отражает динамику исследуемого процесса.
Слайд 24Шаг 5: Построение прогноза на основе
полученной модели.
Строим
прогноз
на
12 месяцев.
Численные
оценки
параметров
модели.
Слайд 27Рассмотрим переход между
двумя временными интервалами
Разбиение
выборки на
два интервала
было
корректным,
поскольку
характер
динамики
в
точке перехода
меняется.
меняется.
Слайд 28Результаты для временного интервала
январь 1979 - январь 2001
Спецификация модели
изменилась
Распределение
остатков
соответствует
нормальному
Слайд 31Применим методы анализа
прерванных временных рядов
Указываем
тип
интервенции и
номер наблюдения,
с которого
характер
зависимости
меняется.
Слайд 32Построение прогноза двумя способами
и сравнение результатов:
В пределах
заданных
доверительных
интервалов
точность
прогнозов
одинакова.
Слайд 33Пользуемся методом
экспоненциального сглаживания
Выбираем тип
модели
сглаживания.
Параметры
сглаживания
можно задать
вручную.
Можно
воспользоваться
методом
автоматического
поиска параметра.
Слайд 34Сравниваем результаты прогнозов
на последний год выборки с
наблюдаемыми:
Сглаживание
отражает
общую тенденцию,
но менее
чувствительно
к отдельным
колебаниям.
Слайд 35Строим прогноз с помощью
метода экспоненциального
сглаживания:
На графике
показаны ряды
наблюдаемых
величин
и прогноз
на 12
месяцев.
Слайд 36Система STATISTICA
предоставляет пользователю
все необходимые методы
визуализации данных, анализа
и прогнозирования:
построение и
оценивание ARIMA моделей
анализ прерванных временных рядов
сезонная корректировка
экспоненциальное сглаживание
методы спектрального анализа Фурье
анализ прерванных временных рядов
сезонная корректировка
экспоненциальное сглаживание
методы спектрального анализа Фурье
