Главная страница
Навигация по странице:

  • Авиаперевозки модель ARIMA

  • Нелинейные регрессии, Эксперт построения моделей. Модель Нелинейные модели Нелинейный мнк


    Скачать 1.45 Mb.
    НазваниеМодель Нелинейные модели Нелинейный мнк
    Дата25.09.2022
    Размер1.45 Mb.
    Формат файлаdocx
    Имя файлаНелинейные регрессии, Эксперт построения моделей.docx
    ТипДокументы
    #694493
    страница3 из 3
    1   2   3

    Рис. 1

    • В верхнем меню выбираем команды ДанныеОпределить дату и время. Откроется диалоговое окно Задать даты (рис. 2).



    Рис. 2
    Задаем дату, связанную с первым наблюдением (например, январь 2010 г.), и интервал времени между последовательными наблюдениями. Это приводит к набору переменных, отмечающих даты, связанные с каждым наблюдением. Этим же задается предполагаемая периодичность данных, например, периодичность 12, если временной интервал между последовательными наблюдениями равен одному месяцу. Эта периодичность необходима, если нужно создать сезонные модели. Если сезонные модели не нужны и метки данных в выводе не требуются, то диалоговое окно Задать даты можно пропустить. В этом случае меткой, связанной с каждым наблюдением, будет просто номер наблюдения.

    • Щелкнув на кнопку ОK, перейдем в таблицу данных, в которой добавились новые переменные YEAR, MONTH, DATE (рис. 3).


    Рис. 3
    • В верхнем меню выбираем команды АнализПрогнозированиеСоздать традиционные модели. Откроется диалоговое окно Мастер моделей временных рядов (рис. 4).


    Рис. 4
    • Выделим переменную «Авиаперевозки» и перенесем ее в список Зависимые переменные. В качестве метода в группе Метод устанавливаем Эксперт построения моделей и нажмем на кнопку Критерии. Откроется диалоговое окно Мастер моделей временных рядов: Критерии эксперта построения… (рис. 5).


    Рис. 5
    • Установите флажки, как указанно на рис. 5, и щелкните на кнопке Продолжить, чтобы вернуться в диалоговое окно Мастер моделей временных рядов (рис. 4).

    • Последовательно щелкаем по вкладкам Статистика, Графики, Сохранение, Параметры и устанавливаем необходимые выводные значения:






    • Нажимаем кнопку ОK в диалоговом окне Мастер моделей временных рядов и получаем результаты.

    На рис. 6 приведены результаты оценивания параметров модели методом Эксперт построения моделей.


    Параметры модели АРПСС

    Авиаперевозки

    Оценка

    Ст. ош.

    t

    Значимость

    Натурал. логарифм

    AR

    Лаг 1

    -0,344

    0,128

    -2,693

    0,009




    Дифференциальный

    1













    Сезонная разность

    1













    СС (сезонность)

    Лаг 1

    0,424

    0,15

    2,824

    0,007

    Рис. 6

    Идентификация модели: ARIMA(1,1,0)(0,1,1)12 (без свободного параметра). Имело место логарифмическое преобразование исходной переменной, дифференцирование исходного ряда с лагом 1 и сезонное дифференцирование с лагом 1.

    Данная модель содержит коэффициент авторегрессии p(1) = -0,344 для учета линейного тренда в динамике объема авиаперевозок yt и коэффициент сезонного скользящего среднего Qs(1) = 0, 424. Приведенные в таблице параметры модели высокозначимы. Ошибка подгонки = 3,4 %.

    На рис. 7 приведены результаты прогноза объема авиаперевозок на 12 месяцев вперед и доверительные границы прогнозных значений


    Дата

    Прогноз

    Нижний 95 %

    Верхний 95 %

    Январь 2016

    434,42

    389,98

    482,55

    Февраль 2016

    385,26

    338,5

    436,71

    Март 2016

    443,79

    380,22

    515,03

    Апрель 2016

    481,15

    404,19

    568,62

    Май 2016

    518,6

    427,69

    623,31

    Июнь 2016

    578,98

    469,56

    706,5

    Июль 2016

    664,44

    530,52

    822,27

    Август 2016

    693,2

    545,42

    869,17

    Сентябрь 2016

    582,34

    451,87

    739,22

    Октябрь 2016

    510,06

    390,59

    655,07

    Ноябрь 2016

    458,37

    346,59

    595,24

    Декабрь 2016

    475,31

    355,06

    623,8

    Рис. 7

    На рис. 8 приведен график динамики переменной yt (объем авиаперевозок) и прогноз с доверительным интервалом (верхняя и нижняя границы) на 12 месяцев вперед


    Рис. 8



    В настоящее время прогнозирование на основе авторегрессионных моделей стали важным инструментом в деятельности плановых, аналитических, маркетинговых отделов производственных предприятий, банков, торговых и страховых компаний.
    Авиаперевозки модель ARIMA(1,1,0)(0,1,1)12

    Без преобразований и с константой






    Без преобразований и без константы




    Логарифм. преобразование без константы





    1   2   3


    написать администратору сайта