Сезонные временные ряды

Контрольная работа - Менеджмент

Другие контрольные работы по предмету Менеджмент

Скачать Бесплатно!
Для того чтобы скачать эту работу.
1. Пожалуйста введите слова с картинки:

2. И нажмите на эту кнопку.
закрыть



ль.

Trend Analysis for Туриcты

Уравнение тренда:

 

Yt = 73,9564 + 0,734098*t - 0,000719185*t**2

 

 

Series Decomposition for RESI2

 

R^2=0,977121

 

Time Series Decomposition Plot for RESI2

 

Decomposition - Component Analysis for RESI2

Мультипликативная параболическая модель

Data Туриcты. Уравнение тренда:

 

Yt = 73,9564 + 0,734098*t - 0,000719185*t**2

 

 

От полученных FITS5, рассчитываем S*E используя наши FITS5 и показатели Туристы.

 

X (t) =T (t) *S (t) *E (t) => X (t) /T (t) =S (t) *E (t)

 

 

Time Series Decomposition for S*E

 

Multiplicative Model

 

 

Использую полученные FITS6 (S*E) и само S*E, подсчитаем конечные остатки-E (r).

По этим остаткам находим коэффициент детерминации.

 

S*EFITS6_seRESI6_seE (r) 1,210341, 191860,0184761,01551,266211,112830,1533881,137841,146391,15489-0,00850,992641,044471,0878-0,043330,96016. ………

R^2= 0,996968

 

Вывод. После построения нескольких моделей, выявлено то, что модель ПМ является наиболее лучшей с коэффициентом детерминации - 0,996968.

 

Модель:

= (73,9564 + 0,734098*t - 0,000719185*t^2) *S*E (r)

 

где Сезонность:

………

 

5.Анализ остатков. АКФ остатков.

 

 

У нас в Автокорреляционной функции столбцы выходит за пределы красной линии, что означает остатки не являются Белым Шумом. Поэтому проводим Авторег. остатков через ARIMA.

Autocorrelation Function: E (r)

 

 

Авторегрессия для E (r)

Первого порядка.

 

 

ARIMA Model: E (r)

Относительное изменение в каждой из лагов не превышает 0,0010.

 

 

В графике видно, в 12 лаге есть некое отклонение и возможно существуют факторы, которые повлияли на исходные изменения.

 

 

E (t) =0,489377+0,5109*E (t-1) +W (t)

 

6.Общее уравнение модели тренда. Прогноз на 3 шага вперед.

Финальная модель:

(t) = (73,9564 + 0,734098*t - 0,000719185*t^2) *S (t) * (0,489377+0,5109*E (t-1) +W (t))

 

Прогноз на 3 месяца:

По модели

 

Вывод по модели

 

Как уже говорилось, модель имеет тенденцию к снижению и сезонность, которая характеризуется перепадами и прыжками, каждые полгода. После анализа графика также стало ясно о наличии цикличности в рассматриваемый период. AKФ показала, что зависимость следующих показателей сильно зависит от предыдущих.

При проведенных анализах в 6 и 7 пунктах, выявлена наилучшая модель в виде ПМ. При выборе учитывался Коэффициент детерминации ПМ с 0,9969 в отличии от других. В дальнейшем мы выбрали ПМ в качестве основы финальной модели.

После проведения авторегрессии 1 порядка достигнут результат с наилучшим прогнозом. Составлена финальная модель.

s