Modele autoregresyjne, czyli jak uchwycić opóźnienia ?
description
Transcript of Modele autoregresyjne, czyli jak uchwycić opóźnienia ?
Modele autoregresyjne,
czyli jak uchwycić opóźnienia ?
Proces błądzenia przypadkowegoProces błądzenia przypadkowego ttt yy 1
11 y 21212 yy
t
ty1
2)var(
)(
ty
tyE
t
t00)(0 tyE t
)()var(02 tfyt
Proces niestacjonarnyProces niestacjonarny
Proces błądzenia przypadkowegoProces błądzenia przypadkowego
t
ttt yy1
1
11 z
2122 yyz
tttt yyz 1
2)var(
0)(
t
t
z
zE
RRóóżżnniiccoowwaanniiee
Szereg zintegrowany
pierwszego stopnia~I(1)
RóżnicowanieRóżnicowanie
Proces sprowadzania szeregu do postaci
stacjonarnej
Poziom różnicowaniaile razy szereg powinien
być różnicowany byosiągnąć stacjonarność
Szeregi stacjonarne stała w czasie:
- średnia, - wariancja,
- autokorelacja.
MAMA Proces średniej ruchomejProces średniej ruchomej
qtqttty ...110
Wymóg odwracalnościWymóg odwracalności
Każdy element szeregu pozostaje pod wpływem
realizacji z okresów przeszłych
q - wielkość opóźnienia
q...0parametry modelu średniej ruchomej
Rozwiązanie: procedury iteracyjne z SKR->min
t
tty1
ARAR Proces autoregresyjnyProces autoregresyjny
t
p
iitit yy
10
Wymóg stacjonarnościWymóg stacjonarności
p...0parametry modelu
W szeregu występują opóźnienia
p - rząd autoregresji
t
p
iitit yy
10 lnln
szeregi są stacjonarne lub niestacjonarne sprowadzalne do stacjonarnych
),( ,...,1 tpttt yyfy
=> ograniczenia na parametry
Rozwiązanie: KMNK, układ równań Yule’a-Walkera
Model autoregresyjny średniej ruchomejModel autoregresyjny średniej ruchomejBox, Jenkins (1976)
Połączenie procesów AR oraz MA w celu zwiększenia elastyczności w budowie modelu
qtqtt
ptptt yyy
...
...
110
110
Model autoregresyjny średniej ruchomejModel autoregresyjny średniej ruchomej
Identyfikacjapoprzez różnicowanie sprowadzenie szeregu do szeregu stacjonarnego
analiza wykresu danych, korelogramporównanie empirycznych i teoretycznych funkcji autokorelacji i autokorelacji cząstkowej
Identyfikacjapoprzez różnicowanie sprowadzenie szeregu do szeregu stacjonarnego
analiza wykresu danych, korelogramporównanie empirycznych i teoretycznych funkcji autokorelacji i autokorelacji cząstkowej
Estymacjaprocedury iteracyjne
Estymacjaprocedury iteracyjne
Weryfikacjabłąd standardowy, badanie autokorelacji reszt
Weryfikacjabłąd standardowy, badanie autokorelacji reszt
Prognozowanieestymacja na podstawie danych przekształconych,
wygenerowanie prognoz - odwrócenie transformacji,oszacowanie błędu prognozy
Prognozowanieestymacja na podstawie danych przekształconych,
wygenerowanie prognoz - odwrócenie transformacji,oszacowanie błędu prognozy
AAuto- uto- RRegressiveegressiveIIntegratedntegratedMMovingovingAAverageverage
p - parametry autoregresyjne
d - rząd różnicowania
q - parametry średniej ruchomej
ARIMA (p,d,q)
ARIMA (0,1,2)
model sezonowy ARIMA (0,1,2) (0,1,1)
Wykr. zmiennej: SZEREG_G
Miesięczna liczba pasażerów (w tysiącach); x-104,
Numery obs.
SZ
ER
EG
_G
-100
0
100
200
300
400
500
600
-100
0
100
200
300
400
500
600
-10 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150
Faza identyfikacjiFaza identyfikacjiARIMAARIMA
Sezonowośćmultiplikatywna
=> przekształcenielogarytmiczne
Wykr. zmiennej: SZEREG_G
Miesięczna liczba pasażerów (w tysiącach); ln(x)
Numery obs.
SZ
ER
EG
_G
4,0
4,5
5,0
5,5
6,0
6,5
7,0
4,0
4,5
5,0
5,5
6,0
6,5
7,0
-10 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150
ARIMAARIMAFaza identyfikacjiFaza identyfikacji
logarytmowanielogarytmowanie
Zmienność ustabilizowana
Faza identyfikacjiFaza identyfikacjiautokorelacjeautokorelacje
ARIMAARIMA
Funkcja autokorelacji
SZEREG_G: Miesięczna liczba pasażerów (w tysiącach); ln(x)
(Błędy standardowe to oceny białego szumu)
1827, 0,0001785, 0,0001738, 0,0001691, 0,0001647, 0,0001605, 0,0001564, 0,0001522, 0,0001477, 0,0001428, 0,0001373, 0,0001311, 0,0001240, 0,0001158, 0,0001065, 0,000974,3 0,000887,4 0,000803,6 0,000721,9 0,000638,4 0,000551,2 0,000459,4 0,000361,3 0,000253,4 0,000133,7 0,000 Q p
25 +,484 ,0752 24 +,520 ,0755 23 +,517 ,0759 22 +,506 ,0762 21 +,498 ,0765 20 +,490 ,0768 19 +,501 ,0771 18 +,519 ,0774 17 +,544 ,0777 16 +,576 ,0780 15 +,618 ,0783 14 +,663 ,0786 13 +,717 ,0789 12 +,762 ,0792 11 +,758 ,0795 10 +,744 ,0798 9 +,734 ,0801 8 +,727 ,0804 7 +,738 ,0807 6 +,756 ,0810 5 +,779 ,0813 4 +,808 ,0816 3 +,851 ,0819 2 +,899 ,0822 1 +,954 ,0825
Opóźn Kor.S.E
-1,0 -0,5 0,0 0,5 1,0
Silnezależności
Wykr. zmiennej: SZEREG_G
Miesięczna liczba pasażerów (w tysiącach); ln(x); D(-1)
Numery obs.
SZ
ER
EG
_G
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
-10 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150
Faza identyfikacjiFaza identyfikacjiróżnicowanie różnicowanie niesezonoweniesezonowe
ARIMAARIMA
y(t)-y(t-1)n-1 obserwacji
Funkcja autokorelacji
SZEREG_G: Miesięczna liczba pasażerów (w tysiącach); ln(x); D(
328,4 0,000321,5 0,000226,9 0,000220,0 0,000219,1 0,000217,1 0,000197,9 0,000195,7 0,000195,7 0,000195,3 0,000182,6 0,000180,4 0,000177,3 0,000169,9 ,000057,83 ,000051,17 ,000049,31 ,000047,24 ,000029,83 ,000127,95 ,000127,85 ,000026,79 ,000011,31 ,0102 7,95 ,0188 5,83 ,0158 Q p
25 +,197 ,0754 24 +,737 ,0758 23 +,199 ,0761 22 -,075 ,0764 21 -,107 ,0767 20 -,337 ,0770 19 -,114 ,0773 18 +,012 ,0776 17 -,052 ,0780 16 -,279 ,0783 15 -,116 ,0786 14 -,140 ,0789 13 +,215 ,0792 12 +,841 ,0795 11 +,206 ,0798 10 -,109 ,0801 9 -,116 ,0804 8 -,337 ,0807 7 -,111 ,0810 6 +,026 ,0813 5 -,084 ,0816 4 -,322 ,0819 3 -,151 ,0822 2 -,120 ,0825 1 +,200 ,0828
Opóźn Kor.S.E
-1,0 -0,5 0,0 0,5 1,0
Faza identyfikacjiFaza identyfikacjiróżnicowanieróżnicowanie
ARIMAARIMAAutokorelacje
po różnicowaniu (niezależne)
Sezonowość dla 12
Wykr. zmiennej: SZEREG_G
ln(x); D(-1); D(-12)
Numery obs.
SZ
ER
EG
_G
-0,20
-0,15
-0,10
-0,05
0,00
0,05
0,10
0,15
0,20
-0,20
-0,15
-0,10
-0,05
0,00
0,05
0,10
0,15
0,20
10 20 30 40 50 60 70 80 90 100 110 120 130 140 150
ARIMAARIMA
y(t)-y(t-12)n-13 obserwacji
Faza identyfikacjiFaza identyfikacjiróżnicowanie różnicowanie
sezonowesezonowe
Funkcja autokorelacji
SZEREG_G: ln(x); D(-1); D(-12)
(Błędy standardowe to oceny białego szumu)
75,92 ,000074,27 ,000074,21 ,000066,17 ,000064,83 ,000064,60 ,000062,46 ,000062,44 ,000062,40 ,000061,65 ,000058,72 ,000055,36 ,000054,87 ,000051,47 ,000029,59 ,001828,99 ,001328,15 ,000923,71 ,002623,70 ,001323,27 ,000723,14 ,000322,71 ,000122,65 ,000017,09 ,000215,60 ,0001 Q p
25 -,100 ,0780 24 -,018 ,0784 23 +,223 ,0787 22 -,091 ,0791 21 +,039 ,0795 20 -,117 ,0798 19 -,011 ,0802 18 +,016 ,0805 17 +,070 ,0809 16 -,139 ,0812 15 +,150 ,0816 14 -,058 ,0819 13 +,152 ,0823 12 -,387 ,0826 11 +,064 ,0830 10 -,076 ,0833 9 +,176 ,0837 8 -,001 ,0840 7 -,056 ,0844 6 +,031 ,0847 5 +,056 ,0850 4 +,021 ,0854 3 -,202 ,0857 2 +,105 ,0860 1 -,341 ,0864
Opóźn Kor.S.E
-1,0 -0,5 0,0 0,5 1,0
Faza identyfikacjiFaza identyfikacjiróżnicowanieróżnicowanie
ARIMAARIMA
Parametrymodelu
sezonowego
ARIMAARIMA Faza estymacjiFaza estymacjiparametrówparametrów
ARIMA (0,1,1) (0,1,1) opóźnienie sezonowe 12
liczba parametrów autoregresyjnych
liczba parametrów średniej ruchomej
liczba przebiegówróżnicowania
R2 = 66,5%q=0,401 qs=0,557 (0,091) (0,074)
Normalny wykres prawd.: SZEREG_G
ARIMA (0,1,1)(0,1,1) reszty ;
Wartość
Ocz
eki
wa
na
wa
rto
ść n
orm
aln
a
-3
-2
-1
0
1
2
3
-0,14 -0,10 -0,06 -0,02 0,02 0,06 0,10 0,14
WeryfikacjaWeryfikacjarozkład resztrozkład reszt
ARIMAARIMA
Założenia:- reszty mają rozkład normalny,-nie ma innej szeregowej korelacji reszt
Normalny wykres prawd. bez trendu: SZEREG_G
ARIMA (0,1,1)(0,1,1) reszty ;
Wartość
Od
chyl
en
ie o
d w
art
ośc
i ocz
eki
wa
ne
j
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
-0,14 -0,10 -0,06 -0,02 0,02 0,06 0,10 0,14
WeryfikacjaWeryfikacjarozkład resztrozkład reszt
ARIMAARIMA
Oczekiw.Normal
Histogram; zmienna: SZEREG_G
ARIMA (0,1,1)(0,1,1) reszty ;
Górna granica (x<=granica)
Lic
z. o
bs
0
5
10
15
20
25
30
35
40
-0,18-0,16
-0,14-0,12
-0,10-0,08
-0,06-0,04
-0,020,00
0,020,04
0,060,08
0,100,12
0,140,16
0,18
ARIMAARIMA WeryfikacjaWeryfikacjarozkład resztrozkład reszt
Funkcja autokorelacji
SZEREG_G: ARIMA (0,1,1)(0,1,1) reszty ;
(Błędy standardowe to oceny białego szumu)
9,24 ,8644
8,79 ,8445
8,62 ,8010
8,60 ,7365
8,33 ,6838
8,32 ,5981
7,74 ,5602
5,86 ,6632
5,76 ,5677
5,30 ,5057
4,66 ,4587
4,06 ,3979
2,31 ,5104
,13 ,9392
,04 ,8421
Q p
15 +,055 ,0816
14 +,033 ,0819
13 +,011 ,0823
12 -,043 ,0826
11 +,009 ,0830
10 -,063 ,0833
9 +,115 ,0837
8 -,026 ,0840
7 -,057 ,0844
6 +,068 ,0847
5 +,066 ,0850
4 -,113 ,0854
3 -,127 ,0857
2 +,025 ,0860
1 +,017 ,0864
Opóźn Kor. S.E
-1,0 -0,5 0,0 0,5 1,0
ARIMAARIMA WeryfikacjaWeryfikacjaautokorelacja resztautokorelacja reszt
Prognoza; Model: (0,1,1)(0,1,1) Opóź. sezon.: 12
Dane: SZEREG_G: Miesięczna liczba pasażerów (w tysiącach)
Początek bazy: 1 Koniec bazy: 144
Obserw. Prognoza ± 90,0000%
0
100
200
300
400
500
600
700
800
900
0
100
200
300
400
500
600
700
800
900
-10 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170
Faza prognozowaniaFaza prognozowaniaARIMAARIMA
- Niełatwa, wymaga dużego doświadczenia
- Technika złożona
Uwagi dotyczące Uwagi dotyczące ARIMAARIMA
+ Metoda elastyczna - nie wymaga wyraźnej struktury szeregu
+ Daje na ogół dobre prognozy
- Wymaga dużej liczby obserwacji n>50
Wykr. zmiennej: TELEFONY
Liczba połączeń w setkach
Numery obs.
TE
LE
FO
NY
0
100
200
300
400
500
600
700
800
900
1000
0
100
200
300
400
500
600
700
800
900
1000
0 20 40 60 80 100 120 140 160 180 200??????
Nagła trwała zmianaNagła trwała zmiana
Szeregi Szeregi ARIMA ARIMA z interwencjąz interwencją
czas
y
impuls
tgdy
tgdyyt
0{
Narastająca zmianaNarastająca zmiana
Szeregi Szeregi ARIMA ARIMA z interwencjąz interwencją
czas
y
impuls
tgdyy
tgdyy
tt
1
0{
tgdyy
tgdy
tgdy
y
t
t
1
0Nagła znikająca zmianaNagła znikająca zmiana
Szeregi Szeregi ARIMA ARIMA z interwencjąz interwencją
czas
y
impuls
1. M.Cieślak (red.) Prognozowanie gospodarcze. Metody i zastosowania. PWN’972. A. Zeliaś, B.Pawełek, S.Wanat Prognozowanie ekonomiczne. Teoria, przykłady, zadania PWN’2003
3. J.Gajda Prognozowanie i symulacja a decyzje gospodarcze, Wydawnictwo C.H. Beck 2001
4. E.Nowak (red.) Prognozowanie gospodarcze. Metody, modele, zastosowania, przykłady Agencja Wydawnicza Placet, Warszawa 1998
5. P.Dittmann Metody prognozwania sprzedaży w przedsiębiorstwie,Wydawnictwo AE im. O.Langego we Wrocławiu ‘986. K.Kolenda, M.Kolenda Analiza i prognozowanie szeregów czasowych. Agencja Wydawnicza Placet’99
7. Statistica PL dla Windows. Statystyki II.
Wykorzystano dane i przykład załączone do pakietu STATISTICA PL
LiteraturaLiteratura