OKRES PROGNOZY I HORYZONT PROGNOZY · Błędy prognoz ex post • średni błąd predykcji ex post...
Transcript of OKRES PROGNOZY I HORYZONT PROGNOZY · Błędy prognoz ex post • średni błąd predykcji ex post...
OKRES PROGNOZY I HORYZONT
PROGNOZY
Każda prognoza gospodarcza jest stawiana
na pewien ściśle określony czas w
przyszłości. Okres, którego dotyczy
sporządzana prognoza nazywa się okresem
prognozy. Długość okresu prognozy zależy
od dwóch podstawowych czynników:
• od charakteru prognozowanego zjawiska
oraz
• od praktycznych potrzeb prognozowania.
OKRES PROGNOZY I HORYZONT
PROGNOZY
Każda prognoza gospodarcza musi być
konkretna w tym sensie, że okres prognozy
powinien być ściśle zdefiniowany.
Niedopuszczalne jest bowiem formułowanie
prognoz odnoszących się do przyszłości “w
ogóle”.
Liczba jednostek czasu, jaka upływa od
teraźniejszości do okresu prognozowania
nazywa się wyprzedzeniem prognozy.
OKRES PROGNOZY I HORYZONT
PROGNOZY
Aby zdefiniować pojęcie horyzontu należy
wyjść od pojęcia prognozy dopuszczalnej.
Prognozą dopuszczalną jest taka prognoza,
która w świetle przyjętego kryterium może
być uznana za dostatecznie dokładną lub
wiarygodną.
OKRES PROGNOZY I HORYZONT
PROGNOZY
Horyzontem prognozy jest najdłuższy okres
lub moment w przyszłości, w którym
prognoza jest dopuszczalna w świetle
przyjętego kryterium.
OKRES PROGNOZY I HORYZONT
PROGNOZY
Dla formalnego zapisu horyzontu prognozy
przyjmiemy następujące oznaczenie:
n – ostatni okres, dla którego dysponuje się
danymi statystycznymi dotyczącymi
rzeczywistych realizacji zmiennej
prognozowanej,
– przedział czasu oddzielający okres n od
najdalszego okresu w przyszłości, dla którego
prognoza jest dopuszczalna,
T – okres prognozy.
OKRES PROGNOZY I HORYZONT
PROGNOZY
Horyzontem prognozy jest taki przedział
czasowy n, n+, w którym dla każdego
okresu t = n+1, ..., n+ można w sposób
uzasadniony sporządzać dopuszczalne
prognozy badanego zjawiska.
OKRES PROGNOZY I HORYZONT
PROGNOZY
Dopuszczalne są więc prognozy dla takich
okresów T, które nie wybiegają poza okres
n+.
Długość horyzontu prognozy zależy od
szeregu czynników, przede wszystkim:
charakteru obiektu prognozy,
wybranego modelu prognostycznego,
zastosowanej metody prognozowania.
Prognoza jest naukowo uzasadnionymsądem o stanie zjawiska w określonymmomencie (okresie) należącym doprzyszłości.
Słowo „sąd” sygnalizuje niepewność prognozy.
Prognoza jest więc sądem o nieznanym.
Sądy bywają fałszywe lub prawdziwe.
DOKŁADNOŚĆ I TRAFNOŚĆ PROGNOZY
O prognozach powiemy, że są:
trafne – gdy okazują sięwystarczająco bliskie realizacjiprognozowanej zmiennej;
nietrafne (chybione) – gdyrozbieżność prognozy i wielkościprognozowanej okazuje się zbyt wielkajak na nasze potrzeby.
DOKŁADNOŚĆ I TRAFNOŚĆ PROGNOZY
OCENA DOKŁADNOŚCI PROGNOZY
Zjawiska i procesy gospodarcze, dla których
wyznacza się prognozy, mają zazwyczaj
stochastyczny charakter. Dlatego przyjmuje
się z góry możliwość wystąpienia odchyleń
rzeczywistych wartości zmiennej
prognozowanej, jakie się zrealizują w
okresie prognozowania, od postawionych
prognoz. Jako realne uznaje się więc
możliwość powstania błędu prognozy,
nazywanego także błędem predykcji.
OCENA DOKŁADNOŚCI PROGNOZY
Niezbędnym staje się więc określeniedokładności prognozy za pomocąodpowiednich mierników, które pozwalająna ustalenie i porównanie rzędu dokładnościprognoz. Mierniki te są określane mianemmierników dokładności (trafności) prognoz.
OCENA DOKŁADNOŚCI PROGNOZY
Dwoma podstawowymi rodzajami
mierników dokładności i trafności prognoz
są:
mierniki dokładności prognoz ex ante,
mierniki dokładności prognoz ex post.
OCENA DOKŁADNOŚCI PROGNOZY
Mierniki dokładności prognoz ex ante
służą do oceny oczekiwanych wielkości
odchyleń rzeczywistych wartości zmiennej
prognozowanej od postawionych prognoz.
Wartości tych mierników są podawane w
chwili budowy prognoz, dlatego są one
sądami, których prawdziwość może być
zweryfikowana dopiero po upływie okresu,
do którego odnosi się prognozę.
OCENA DOKŁADNOŚCI PROGNOZY
Do oceny trafności prognoz służą miernikidokładności prognoz ex post, którewyrażają zaobserwowane odchyleniarealizacji zmiennej prognozowanej odpostawionych prognoz.
dokładność i trafność prognozy
Ocenę dokładności i trafności prognoz
dokonujemy stosując:
mierniki dokładności ex post
mierniki dokładności ex ante
mierniki
bezwzględne (zachowujące
jednostkę
pomiaru zmiennej
prognozowanej)
mierniki względne (umożliwiające
porównanie prognoz
uzyskanych różnymi
metodami
prognostycznymi)
trafność prognozy
• Trafność prognozy określa się po upływie
czasu, na który prognoza była wyznaczona
• Stopień trafności prognozy ilościowej mierzy
się za pomocą błędów ex post
• Błąd ex post to wartość odchylenia
rzeczywistych realizacji zmiennej
prognozowanej od obliczonych prognoz
• Błędy ex post można obliczać dla każdego
momentu lub okresu należącego do
przedziału czasu [n+1,…., ]
Błędy prognoz ex post
• błąd
(ang. error)
• błąd procentowy
(ang. percentage error)
Różnica y - y*
(odchylenie realizacji
zmiennej
prognozowanej od
wartości prognozy) jest
miarą błędu prognozy
dla okresu
*
yyE −=
%100y
yyPE
τ
*
ττ
τ
−=
PE określa, jaki procent rzeczywistej realizacji zmiennej prognozowanej wynosi błąd prognozy
Błędy prognoz ex-post Załóżmy, iż wyznaczono m prognoz wartości zmiennej endogenicznej
Y* oraz znane są rzeczywiste wartości zmiennej prognozowanej Y dla
= 1, 2, ..., m.
𝑀𝐸 =1
𝑚
𝜏=1
𝑚
(𝑦𝜏 − 𝑦𝜏∗)
wartość ME powinna być równa zero lub
bliska zeru;
średnie obciążenie predykcji przyjmuje
wartość zero w przypadku predykcji
nieobciążonej;
odchylenia wartości miernika ME od
zera świadczą, że zasada predykcji
nieobciążonej nie została zachowana;
gdy zaobserwowane odchylenie od zera
jest dodatnie, wnioskujemy, że prognozy
wygasłe są niedoszacowane;
gdy zaobserwowane odchylenie od zera
jest ujemne, wnioskujemy, że prognozy
wygasłe są przeszacowane.
średni błąd
(ang. mean error):
Błędy prognoz ex post
• średni procentowy błąd
• (ang. mean percentage error):
MPE informuje, jaki
procent rzeczywistych
realizacji zmiennej
prognozowanej
stanowią błędy
prognozy w okresie
predykcjim
PE
MPE
m
== 1
Błędy prognoz ex post
• średni błąd bezwzględny
(ang. mean absolute error):
MAE informuje o ile średnio - w okresie predykcji -rzeczywiste realizacje zmiennej prognozowanej będą się odchylać –co do bezwzględnej wartości – od prognoz
𝑀𝐴𝐸 =1
𝑚
𝜏=1
𝑚
ห𝑦𝜏 − ȁ𝑦𝜏∗
Błędy prognoz ex post
• średni bezwzględny błąd
procentowy
(ang. mean absolute percentage error):
lub
● MAPE informuje o średniej wielkości błędów prognoz dla okresu = 1, 2, ..., m, wyrażonych w procentach rzeczywistych wartości zmiennej prognozowanej.
● Wartości MAPE pozwalają porównać dokładność prognoz otrzymywanych różnych modeli.
𝑀𝐴𝑃𝐸 =1
𝑚
𝜏=1
𝑚𝑦𝜏 − 𝑦𝜏
∗
𝑦𝜏⋅ 100%
𝑀𝐴𝑃𝐸 =𝑀𝐴𝐸
lj𝑦𝜏∗⋅ 100%
Błędy prognoz ex post
• średni błąd predykcji ex post
pierwiastek błędu średniokwadratowego
(ang. root mean square error)
• RMSE mierzy, o ile średnio odchylają się realizacje zmiennej prognozowanej od obliczonych prognoz
• znacząca różnica wartości między MAE i RMSE wskazuje na występowanie w okresie prognozy błędów o bardzo dużych wartościach.
𝑅𝑀𝑆𝐸 =1
𝑚
𝜏=1
𝑚
(𝑦𝜏 − 𝑦𝜏∗)2
Błędy prognoz ex post
• względny błąd predykcji
• ex post • VRMSE określa, jaki procent przeciętnej rzeczywistej realizacji zmiennej prognozowanej stanowi średni błąd predykcji ex post
100=y
RMSEVRMSE
• Ponieważ w chwili wyznaczania prognozy nie jest znana
wartość rzeczywista zmiennej prognozowanej błąd
prognozy ex ante może być tylko oszacowany.
• Wartość błędu ex ante przynosi informacje o oczekiwanych
przeciętnych odchyleniach realizacji zmiennej
prognozowanej od prognoz w czasie t > n.
• Błąd ex ante służy określeniu dokładności prognozy.
Błędy prognoz ex ante
dopuszczalność prognozy
• Prognoza jest dopuszczalna, gdy jest
obdarzona przez jej odbiorcę stopniem
zaufania wystarczającym do tego, by
mogła być wykorzystana do celu, dla
którego została ustalona.
• Dopuszczalność prognozy jest określona
w tym samym czasie , w którym wyznacza
się prognozę.
Błędy prognoz ex ante
○ średni błąd predykcji ex ante
gdzie:
• S2(e) – wariancja resztowa
• D2(a) – ocena wariancji estymatorów x τ
– wektor wartości zmiennych objaśniających w okresie prognozowania
○ względny błąd predykcji ex ante
● wartość DT przynosi informację o oczekiwanych przeciętnych odchyleniach realizacji zmiennej prognozowanej od prognoz w czasie t > n
● wartość VT informuje jak wielki będzie w chwili t > n oczekiwany błąd (odchylenie liczone w procentach wartości prognoz)
𝐷𝑇 = 𝑆2(𝑒) + 𝑥𝑻 𝐷2(𝑎) 𝑥𝑻
𝑇
100*=
T
T
Ty
DV
Błędy prognoz ex ante
• Dla modelu trendu liniowego wzór na błąd prognozy ex ante przybiera postać:
= =
=
−=−
−
−++=
n
t
n
t
n
t
T
tntttgdzie
tt
tT
neSD
1 1
222
1
2
2
)()(:
)(
)(11)(
Kryteria dopuszczalności prognoz
• subiektywne kryteria dopuszczalności
formułowane przez odbiorców prognozy;
• prognoza jest dopuszczalna, gdy
spełniona jest jedna z poniższych relacji:
gdzie:
DT* i VT
* to progowe (krytyczne) wartości błędów zadane np. przez odbiorcę
prognozy
ntVV
ntDD
TT
TT
,
lub
,
*
*
Kryteria dopuszczalności prognoz
• ● obiektywne – przyjmuje się, że jeżeli
względny miernik dokładności predykcji ex
ante (lub ex post) spełnia nierówność:
– DT ≤ 3%, to prognozy są bardzo dokładne;
– 3%< DT ≤ 5%, to prognozy uznajemy za
dokładne;
– 5%< DT ≤ 10%, to prognozy mogą być
dopuszczalne;
– DT >10%, to prognozy są niedopuszczalne.
UWAGI OGÓLNE
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM
ZMIENNEJ PROGNOZOWANEJ
Jeśli w szeregu czasowym występuje składowa systematyczna w postaci
stałego (przeciętnego) poziomu i wahania przypadkowe do
prognozowania używa się metod naiwnych, metody średniej ruchomej
prostej lub ważonej oraz prostego modelu wygładzania wykładniczego.
Budując prognozy na podstawie tych metod, prognosta przyjmuje status
quo, postawę pasywną wobec prognozowanego zjawiska oraz
wykorzystuje regułę podstawową. Metody te pozwalają na wyznaczenie
prognozy na jeden moment / okres.
METODA NAIWNA
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM
ZMIENNEJ PROGNOZOWANEJ
Metodę naiwną warto stosować jedynie w przypadku niewielkich wahań
przypadkowych. O sile tych wahań informuje wielkość współczynnika
zmienności badanego szeregu czasowego.
=
=
−=
=
=
n
1t
2
t
n
1tt
)y(yn
1S
yn
1y
100%y
SV V – współczynnik zmienności
ȳ – średnia arytmetyczna badanej zmiennej
S – odchylenie standardowe
METODA NAIWNA
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM
ZMIENNEJ PROGNOZOWANEJ
W modelu naiwnym wykorzystywanym w takich przypadkach konstruuje
się prognozę zmiennej na moment lub okres T na poziomie
zaobserwowanej wartości tej zmiennej w momencie lub okresie t – 1.
1t
*
tyy
−=
gdzie:
y*t – prognoza zmiennej y wyznaczona na moment lub okres t,
yt-1 – wartość zmiennej prognozowanej w momencie lub okresie t-1.
METODA NAIWNA
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM
ZMIENNEJ PROGNOZOWANEJ
Do oceny trafności prognozy można wykorzystać:
ET – błąd prognozy
(error)
y*T – prognoza zjawiska na okres T
yT – poziom zjawiska w okresie T
PET – względny błąd prognozy
(percentage error)
*
TTTyyE −=
%100y
yyPE
T
*
TT
T
−=
METODA ŚREDNIEJ RUCHOMEJ PROSTEJ I WAŻONEJ
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM
ZMIENNEJ PROGNOZOWANEJ
Modele średniej ruchomej mogą być wykorzystywane zarówno do
wygładzania szeregu czasowego, jak i do prognozowania.
W prognostycznym modelu średniej ruchomej przyjmuje się, że prognoza
zmiennej na moment lub okres t jest średnią arytmetyczną (w przypadku
średniej ruchomej prostej) lub ważoną z k ostatnich obserwacji szeregu.
Stałą wygładzania k oraz wagi wybiera się na podstawie kryterium
najmniejszego błędu ex post prognoz wygasłych. Może to być średni
bezwzględny (procentowy – względny) błąd lub średni kwadratowy błąd.
METODA ŚREDNIEJ RUCHOMEJ PROSTEJ I WAŻONEJ
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM
ZMIENNEJ PROGNOZOWANEJ
Średni bezwzględny (procentowy – względny) błąd ex post
(mean absolute percentage error)
MPE100%y
yy
m
1MAPE
m
1
*
=−
= =
Średni kwadratowy błąd ex post
(root mean square error)
SSE)y(ym
1RMSE 2*
τ
m
1ττ
=−= =
METODA ŚREDNIEJ RUCHOMEJ PROSTEJ I WAŻONEJ
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM
ZMIENNEJ PROGNOZOWANEJ
Konstrukcja prognozy metodą średniej ruchomej prostej:
−
−=
=1t
ktii
*
ty
k
1y
gdzie:
y*t – prognoza zmiennej y wyznaczona na moment lub okres t,
yi – wartość zmiennej prognozowanej w momencie lub okresie i,
k – stała wygładzania.
METODA ŚREDNIEJ RUCHOMEJ PROSTEJ I WAŻONEJ
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM
ZMIENNEJ PROGNOZOWANEJ
Konstrukcja prognozy metodą średniej ruchomej ważonej :
gdzie:
y*t – prognoza zmiennej y wyznaczona na moment lub okres t,
yi – wartość zmiennej prognozowanej w momencie lub okresie i,
wi-t+k+1 – waga nadana przez prognostę wartości zmiennej prognozowanej
w momencie lub okresie i,
k – stała wygładzania.
1w...ww0
dla
wyy
k21
1kti
1t
ktii
*
t
=++−
−
−=
PROSTY MODEL WYGŁADZANIA WYKŁADNICZEGO
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM
ZMIENNEJ PROGNOZOWANEJ
W prostym modelu wygładzania wykładniczego prognoza zmiennej na
moment lub okres t równa jest:
gdzie:
y*t-1 – prognoza zmiennej y wyznaczona na moment lub okres t-1,
yt-1 – wartość zmiennej prognozowanej w momencie lub okresie t-1,
α – stała wygładzania.
*
11
*
t)1(y
−−−+=
ttyy