managerial decision modeling
DESCRIPTION
Managerial Decision Modeling. A Practical Introduction to Management Science , 5ed by Cliff Ragsdale. Chapter 11. Forecasting Models. Introduksjon til tidsserieanalyser. En tidsserie er en samling av observasjoner for en kvantifiserbar variabel registrert i kronologisk tidsrekkefølge . - PowerPoint PPT PresentationTRANSCRIPT
Managerial Decision Managerial Decision ModelingModeling
A Practical Introduction to A Practical Introduction to Management Science , 5ed Management Science , 5ed
by Cliff Ragsdaleby Cliff Ragsdale
Forecasting ModelsForecasting Models
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 22Rasmus RasmussenRasmus Rasmussen
Chapter 11
Introduksjon til tidsserieanalyserIntroduksjon til tidsserieanalyser En En tidsserietidsserie er en samling av observasjonerer en samling av observasjoner for en for en
kvantifiserbar variabelkvantifiserbar variabel registrert i kronologisk registrert i kronologisk tidsrekkefølgetidsrekkefølge..
EksempelEksempel BørsindekserBørsindekser HistoriskeHistoriske data data over salgover salg, , lagerlager, , antall kundebesøkantall kundebesøk, ,
rentesatserrentesatser, , kostnaderkostnader, etc, etc.. Bedrifter er ofte interessert i å predikere tidsserie-Bedrifter er ofte interessert i å predikere tidsserie-
variabler.variabler. Ofte finnes ikke uavhengige variabler som kan benyttes Ofte finnes ikke uavhengige variabler som kan benyttes
i en regresjonsmodelli en regresjonsmodell for en tidsserievariabelfor en tidsserievariabel.. I tidsserieanalyser analyserer vi den historiske I tidsserieanalyser analyserer vi den historiske
utviklingen til en variabel for å kunne predikere dens utviklingen til en variabel for å kunne predikere dens framtidige utvikling. framtidige utvikling.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 33Rasmus RasmussenRasmus Rasmussen
Prediksjoner basert på Prediksjoner basert på tidsserieanalysetidsserieanalyse
Som å kjøre en bil ved å se på veien via Som å kjøre en bil ved å se på veien via speilet bakover :speilet bakover :
Vi ser hvor veien har svingt tidligere, og Vi ser hvor veien har svingt tidligere, og forsøker å styre bilen deretter !forsøker å styre bilen deretter !
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 44Rasmus RasmussenRasmus Rasmussen
Noen tidsserieuttrykkNoen tidsserieuttrykk Stasjonære dataStasjonære data – – en tidsserievariabel en tidsserievariabel
som ikke viser noen signifikant trend opp som ikke viser noen signifikant trend opp eller ned over tid.eller ned over tid.
Ikke-stasjonære dataIkke-stasjonære data – – en tidsserie-en tidsserie-variabelvariabel som viser en tydelig trend opp som viser en tydelig trend opp eller ned over tideller ned over tid..
Sesong dataSesong data – – en tidsserievariabel som en tidsserievariabel som viser et repeterende mønster med jevne viser et repeterende mønster med jevne intervall over tid.intervall over tid.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 55Rasmus RasmussenRasmus Rasmussen
Bruk avBruk av tidsserieanalysetidsserieanalyse Det finnes veldig, veldig mange forskjellige Det finnes veldig, veldig mange forskjellige
tidsserieanalysemetodertidsserieanalysemetoder.. Det er vanligvis umulig å vite hvilken Det er vanligvis umulig å vite hvilken
teknikk som vil passe best for et bestemt teknikk som vil passe best for et bestemt datasett.datasett.
Som regel prøves flere forskjellige Som regel prøves flere forskjellige teknikker, for å velge ut den som synes å teknikker, for å velge ut den som synes å passe best. passe best.
For å lage effektive tidsseriemodeller, må For å lage effektive tidsseriemodeller, må en ha flere forskjellige metoder i en ha flere forskjellige metoder i ”verktøyboksen”.”verktøyboksen”.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 66Rasmus RasmussenRasmus Rasmussen
Forskjellige prediksjonsmodellerForskjellige prediksjonsmodellerDataData Modeller som tillater skift i nivå/trend/sesongModeller som tillater skift i nivå/trend/sesong
Stasjonære Stasjonære datadataKonstant nivå med Konstant nivå med tilfeldige variasjonertilfeldige variasjoner
Glidende gjennomsnittGlidende gjennomsnitt
Veid glidende gjennomsnittVeid glidende gjennomsnitt
Eksponensiell glattingEksponensiell glatting
Sesong Sesong Konstant nivå med Konstant nivå med sykliske variasjonersykliske variasjoner
Eksponensiell glatting / additiv sesongEksponensiell glatting / additiv sesong
Eksponensiell glatting / multiplikativ sesongEksponensiell glatting / multiplikativ sesong
TrendTrendLangsiktig generell Langsiktig generell endring i nivåendring i nivå
Dobbelt glidende gjennomsnittDobbelt glidende gjennomsnitt
Holt’s metode Holt’s metode (dobbel eksponensiell glatting)(dobbel eksponensiell glatting)
Trend & Trend & SesongSesong
Holt-Winter med additiv sesongHolt-Winter med additiv sesong
Holt-Winter med multiplikativ sesongHolt-Winter med multiplikativ sesongRasmus RasmussenRasmus Rasmussen
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 77
Mål på nøyaktighetMål på nøyaktighet Vi trenger et mål for å sammenligne hvordan forskjellige tidsseriemodeller passer til dataeneVi trenger et mål for å sammenligne hvordan forskjellige tidsseriemodeller passer til dataene.. Fire av de vanligste målene er:Fire av de vanligste målene er:
mean absolute deviation, mean absolute deviation,
mean absolute percent error, mean absolute percent error,
the mean square error, the mean square error,
root mean square error.root mean square error.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 88Rasmus RasmussenRasmus Rasmussen
MAD = Y Yi i
i
n
n
1
MSE =
Y Yi i
i
n
n
2
1
MSERMSE
n
i i
ii
n 1 Y
YY100 = MAPE
Vi vil fokusere på MSE.Vi vil fokusere på MSE.
En kommentar til bruk av En kommentar til bruk av feilmålfeilmål En bør være på vakt når en sammenligner En bør være på vakt når en sammenligner
MSE MSE verdier for forskjelligeverdier for forskjellige prediksjonsteknikkerprediksjonsteknikker..
Den minsteDen minste MSE MSE kan være resultatet av kan være resultatet av en teknikk som en teknikk som passer gamle data meget passer gamle data meget godtgodt men gjenspeiler nye data dårlig.men gjenspeiler nye data dårlig.
Noen ganger er det klokt å beregne MSE Noen ganger er det klokt å beregne MSE kun for de seneste observasjonene.kun for de seneste observasjonene.
Sammenlign MSE for samme perioder.Sammenlign MSE for samme perioder. Bør bruke blindtest !Bør bruke blindtest !
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 99Rasmus RasmussenRasmus Rasmussen
Fornuftig bruk av feilmålFornuftig bruk av feilmål
Feilmålene brukes for å se hvor godt en Feilmålene brukes for å se hvor godt en metode tilpasser seg historiske data.metode tilpasser seg historiske data.
For å velge mellom ulike metoder, bør en For å velge mellom ulike metoder, bør en foreta en blindtest – lage prognoser for foreta en blindtest – lage prognoser for perioder der modellen ikke får se dataene.perioder der modellen ikke får se dataene.
En velger så den metoden som har minst En velger så den metoden som har minst feil i blindtesten.feil i blindtesten.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 1010Rasmus RasmussenRasmus Rasmussen
Oppdeling av dataserienOppdeling av dataserien
1.1. Initialserie.Initialserie.Første del av dataserien benyttes for å beregne Første del av dataserien benyttes for å beregne
startverdier for parametrene i modellen.startverdier for parametrene i modellen.
2.2. Tilpassingsserie.Tilpassingsserie.Andre del av dataserien benyttes for å tilbasse gode Andre del av dataserien benyttes for å tilbasse gode
verdier for parametrene – slik at feilene blir verdier for parametrene – slik at feilene blir minst mulig.minst mulig.
3.3. Testserie.Testserie.Siste del av dataserien benyttes til blindtest, der Siste del av dataserien benyttes til blindtest, der
man tester hvor god modellen er.man tester hvor god modellen er.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 1111Rasmus RasmussenRasmus Rasmussen
EkstrapoleringsmodellerEkstrapoleringsmodeller Ekstrapoleringsmodeller forsøker å ta hensyn Ekstrapoleringsmodeller forsøker å ta hensyn
til tidligere utvikling i en tidsserievariabel i et til tidligere utvikling i en tidsserievariabel i et forsøk på å predikere den framtidige forsøk på å predikere den framtidige utviklingen av den samme variabelenutviklingen av den samme variabelen. .
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 1212Rasmus RasmussenRasmus Rasmussen
, , ,Y Y Y Yt t t tf 1 1 2
Vi skal først ta for oss forskjellige ekstrapoleringsteknikker som passer for stasjonære data.
TIDSSERIETIDSSERIE
VariabelYt
Tidt
Nå
Periodet 1 2 t-1 t….. t+1 t+2
Y1 Y2 Yt-1 Yt Yt+1? Yt+2 ?
OBSERVASJONSEROBSERVASJONSER PREDIKSJONERPREDIKSJONER
Basert på de historiske observasjonene skal vi forsøke å framskrive et datamønster for å lage prognoser for framtiden.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 1313Rasmus RasmussenRasmus Rasmussen
Stasjonær dataStasjonær data
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 1414Rasmus RasmussenRasmus Rasmussen
KONSTANTMODELLENKONSTANTMODELLENVariabelYt
Et
TidtNåLOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 1515
Rasmus RasmussenRasmus Rasmussen
KONSTANTMODELLENKONSTANTMODELLEN
Observert verditY
ˆ Predikert verditY
Anslag på nivåtE
Tilfeldig støytu
1 1 1 Et t tY u ˆ Et k tY
Data-modell: Prognose-modell:
Yt
Et
Tidt
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 1616Rasmus RasmussenRasmus Rasmussen
ANSLAG PÅ NIVÅ: ANSLAG PÅ NIVÅ: Naiv metodeNaiv metode
t tE Y Naiv metode: Yt
Et
Tidt
Bruker kun siste observasjon som anslag på nivået.
Prognose-modell:
ˆ Et k tY
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 1717Rasmus RasmussenRasmus Rasmussen
ANSLAG PÅ NIVÅ: ANSLAG PÅ NIVÅ: Glidende gjennomsnittGlidende gjennomsnitt
Glidende gjennomsnitt:
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 1818Rasmus RasmussenRasmus Rasmussen
t t-1 t- +1Y Y .... Y ktE
k
Det finnes ingen generell metode for å bestemme k.
Vi må forsøke med forskjellige verdier for k for å se hvilken som virker best.
Glidende gjennomsnitt veier alle tidligere Glidende gjennomsnitt veier alle tidligere observasjoner likt :observasjoner likt :
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 1919Rasmus RasmussenRasmus Rasmussen
Veid glidende gjennomsnitt tillater at tidligere observasjoner vektlegges forskjellig.
Vi må bestemme verdier for k og alle wi
t t-1 t- -1
1 1 1E Y Y Yt kk k k
1 t 2 t-1 t- -1E Y Y Yt k kw w w
1 og 10der ii ww
ANSLAG PÅ NIVÅ: ANSLAG PÅ NIVÅ: Veid glidende gjennomsnittVeid glidende gjennomsnitt
ANSLAG PÅ NIVÅ:ANSLAG PÅ NIVÅ:Eksponentiell glattingEksponentiell glatting
0
1j
t t jj
E Y
a. Eksponentiell glattet gjennomsnitt:a. Eksponentiell glattet gjennomsnitt:
Kan betrakte eksponentiell glatting som et veid gjennomsnitt av alle observasjoner, der siste observasjon har størst vekt.
Prognose-modell: ˆ t k tY E
0 1
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 2020Rasmus RasmussenRasmus Rasmussen
21 2Y (1 )Y (1 ) Y (1 ) Yn
t t t t t nE
ANSLAG PÅ NIVÅ:ANSLAG PÅ NIVÅ:Eksponentiell glattingEksponentiell glatting
0
1j
t t jj
E Y
b. Eksponentiell glattet gjennomsnitt:
Kan betrakte eksponentiell glatting som en veid sum av siste observasjon og forrige estimat.
11t t tE Y E
1 21 1t t tY Y E
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 2121Rasmus RasmussenRasmus Rasmussen
ANSLAG PÅ NIVÅ:ANSLAG PÅ NIVÅ:Eksponentiell glattingEksponentiell glatting
c. Eksponentiell glattet gjennomsnitt:
Kan betrakte eksponentiell glatting som en forventet verdi, gitt siste observasjon.
11t t tE Y E
= sannsynlighet for at siste observasjon viser korrekt nivå
1 = sannsynlighet for at forrige estimat viser korrekt nivå
Gir samme funksjon som b (og a).
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 2222Rasmus RasmussenRasmus Rasmussen
ANSLAG PÅ NIVÅ:ANSLAG PÅ NIVÅ:Eksponentiell glattingEksponentiell glatting
d. Eksponentiell glattet gjennomsnitt:
Kan betrakte eksponentiell glatting som en oppdatering basert på korreksjon av prediksjonsfeil.
1 1t t t tE E Y E
1ˆ ˆ ˆt t t tY Y Y Y
1 1ˆ 1t t t tY E Y E
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 2323Rasmus RasmussenRasmus Rasmussen
ANSLAG PÅ NIVÅ:ANSLAG PÅ NIVÅ:Eksponentiell glattingEksponentiell glatting
Eksponentiell glattet gjennomsnitt:
Ulike måter å tolke eksponentiell glatting, men samme matematiske konklusjon!
1 1t t t tE E Y E
ˆ ˆt t t tE Y Y Y
11t t tE Y E
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 2424Rasmus RasmussenRasmus Rasmussen
PrediksjonsprosessenPrediksjonsprosessen1.1. Del inn tidsserien:Del inn tidsserien:
1.1. InitialserieInitialserie2.2. TilpassingsserieTilpassingsserie3.3. Testserie (blindtest)Testserie (blindtest)
2.2. Beregn startverdier i initialserien.Beregn startverdier i initialserien.3.3. Foreta tilpassinger i tilpassingsserienForeta tilpassinger i tilpassingsserien
1.1. Finn gode verdier på modellparametreneFinn gode verdier på modellparametrene4.4. Foreta prognoser i testserien.Foreta prognoser i testserien.5.5. Velg den prognosemetode som er best i blindtesten:Velg den prognosemetode som er best i blindtesten:
1.1. Oppdater modellen (Tilpassingsserien inkluderer nå også Oppdater modellen (Tilpassingsserien inkluderer nå også det som var testserien.)det som var testserien.)
2.2. Finn nye gode verdier på modellparametrene.Finn nye gode verdier på modellparametrene.3.3. Lag prognose for den ukjente framtiden.Lag prognose for den ukjente framtiden.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 2525Rasmus RasmussenRasmus Rasmussen
Et eksempelEt eksempel Electra-City Electra-City er en detaljist som selger er en detaljist som selger audio audio
ogog video video utstyr for hjem og bilutstyr for hjem og bil. . Lederen må hver måned bestille varer fra et Lederen må hver måned bestille varer fra et
lager langt unnalager langt unna. . Nå skal lederen forsøke å estimere hvor Nå skal lederen forsøke å estimere hvor
mangemange VCR VCR’er’er forretningen vil komme til å forretningen vil komme til å selge neste månedselge neste måned. .
Han har samlet data for de sisteHan har samlet data for de siste 24 24 månedenemånedene. .
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 2626Rasmus RasmussenRasmus Rasmussen
DataData
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 2727Rasmus RasmussenRasmus Rasmussen
Glidende gjennomsnittGlidende gjennomsnitt
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 2828Rasmus RasmussenRasmus Rasmussen
Veid glidende gjennomsnittVeid glidende gjennomsnitt
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 2929Rasmus RasmussenRasmus Rasmussen
Eksempel med toEksempel med toeksponensielle glattingsfunksjonereksponensielle glattingsfunksjoner
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 3030Rasmus RasmussenRasmus Rasmussen
Eksponentiell glattingEksponentiell glatting
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 3131Rasmus RasmussenRasmus Rasmussen
StartverdierStartverdier
I steden for å bruke en formel for å I steden for å bruke en formel for å beregne en startverdi, kan vi la Solver beregne en startverdi, kan vi la Solver finne en ”optimal” startverdi.finne en ”optimal” startverdi.
Da kan vi beholde hele datasettet (fordi vi Da kan vi beholde hele datasettet (fordi vi slipper å bruke noen av dataene til slipper å bruke noen av dataene til estimering av startverdier).estimering av startverdier).
Vi får også en bedre tilpassning til de Vi får også en bedre tilpassning til de historiske dataene.historiske dataene.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 3232Rasmus RasmussenRasmus Rasmussen
Eksponentiell glattingEksponentiell glatting
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 3333Rasmus RasmussenRasmus Rasmussen
1. Del inn tidsserien1. Del inn tidsserien
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 3434Rasmus RasmussenRasmus Rasmussen
Initialserie
Tilpassingserie
Blindtest
2. Beregn startverdier2. Beregn startverdier
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 3535Rasmus RasmussenRasmus Rasmussen
Beregn startverdier
Merk:Istedenfor formler, kan en la Solver velge startverdier.
3. Foreta tilpassigner3. Foreta tilpassigner
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 3636Rasmus RasmussenRasmus Rasmussen
Bruk Solver til å minimere MSE i tilpassingsperioden, ved å velge verdier på modellparametrene.
Lag en-periodiske prognoser, og oppdater modellparametrene.
4. Lag prognoser i testserien4. Lag prognoser i testserien
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 3737Rasmus RasmussenRasmus Rasmussen
Lag prognoser for hele blindtestperioden, med utgangspunkt i siste periode i tilpassingsserien.
Beregn MSE for blindtestperioden.
5. Lag prognoser for fremtiden5. Lag prognoser for fremtiden
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 3838Rasmus RasmussenRasmus Rasmussen
Lag en-periodiske prognoser for hele datasettet, også det som tidligere var brukt til blindtest.
Minimer MSE for hele den nye tilpassingsserien.
Lag prognoser for framtiden, basert på siste periode med data.
Valg av prognosemodellValg av prognosemodell
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 3939Rasmus RasmussenRasmus Rasmussen
Metode MSE
Glidende gj.snitt 2 perioder 6,67
Glidende gj.snitt 4 perioder 1,92
Veid glidende gjennomsnitt 2 perioder 4,73
Eksponensiell glatting (formel initialverdier) 4,14
Eksponensiell glatting (Solver velger initialverdier) 1,47
Velg den prognosemetode som gir lavest prediksjonsfeil (MSE) i blindtesten.
SesongvariasjonerSesongvariasjoner
Sesongvariasjoner er et jevnt, Sesongvariasjoner er et jevnt, repeterende mønster rundt en nivålinje, repeterende mønster rundt en nivålinje, og er veldig vanlig i økonomiske dataog er veldig vanlig i økonomiske data..
Kan Kan være av additiv eller multiplikativ være av additiv eller multiplikativ art...art...
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 4040Rasmus RasmussenRasmus Rasmussen
Multiplicative Seasonal Effects
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Tim e Pe riod
Additive Seasonal Effects
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Tim e Pe riod
Stasjonære sesongeffekterStasjonære sesongeffekter
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 4141Rasmus RasmussenRasmus Rasmussen
Stasjonære data med Stasjonære data med additive sesongeffekteradditive sesongeffekter
EEtt er forventet nivå for periode er forventet nivå for periode t.t. SStt er sesongfaktoren for periode er sesongfaktoren for periode t.t.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 4242Rasmus RasmussenRasmus Rasmussen
Y E St k t t k p der
1)E-(1)S-Y(E tt-ptt
ptttt )S-(1)E-Y(S
10
10
p angir antall sesonger i et år
Anslag nytt nivå
Anslag ny
sesong
Forrige nivå
Forrige sesong
Stasjonære data med Stasjonære data med additive sesongeffekteradditive sesongeffekter
Initialverdier:Initialverdier:
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 4343Rasmus RasmussenRasmus Rasmussen
ptforYp
p
ttt ,...,1
1E
1
p , ... 1, for t E-YS ttt
p angir antall sesonger i en syklus
Gjennomsnitt
Stasjonære data med additiv Stasjonære data med additiv sesongsesong
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 4444Rasmus RasmussenRasmus Rasmussen
2. Solver minimerer MSE i tilpassingsserien.
1. Formler beregner startverdiene.
3. Bereger MSE for blindtesten.
Stasjonære data med additiv Stasjonære data med additiv sesongsesong
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 4545Rasmus RasmussenRasmus Rasmussen
2. Solver minimerer MSE i tilpassingsserien.
1. Solver beregner startverdiene.
3. Bereger MSE for blindtesten.
Stasjonære data med additiv Stasjonære data med additiv sesongsesong
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 4646Rasmus RasmussenRasmus Rasmussen
2. Solver minimerer MSE i tilpassingsserien.
1. Oppdaterer tilpassingsserien helt til slutten av datasettet.
3. Lager prognoser for framtiden.
Predikere ved modell Predikere ved modell med additive sesongvariasjonermed additive sesongvariasjoner
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 4747Rasmus RasmussenRasmus Rasmussen
Prediksjon gjort på tidspunkt 24 for periodene 25 - 28:
24 24 24 4Y E Sk k
00.36345.844.354SEY 212425
73.33682.1744.354SEY 222426
13.40158.4644.354SEY 232427
82.32273.3144.354SEY 242428
Stasjonære Data med Stasjonære Data med Multiplikativ sesongvariasjonerMultiplikativ sesongvariasjoner
EEtt er forventet nivå for periode er forventet nivå for periode t.t. SStt er sesongfaktoren for periode er sesongfaktoren for periode t.t.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 4848Rasmus RasmussenRasmus Rasmussen
Y E St k t t k p der
1)E-(1)/SY(E tt-ptt
ptttt )S-(1)/EY(S
10
10
p angir antall perioder i en syklus
Anslag nytt nivå
Anslag ny
sesong
Forrige nivå
Forrige sesong
Stasjonære data med Stasjonære data med multiplikative sesongeffektermultiplikative sesongeffekter
Initialverdier:Initialverdier:
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 4949Rasmus RasmussenRasmus Rasmussen
ptforYp
p
ttt ,...,1
1E
1
p , ... 1, for t E
YS
t
tt
p angir antall sesonger i en syklus
Gjennomsnitt
Modell for stasjonære data og Modell for stasjonære data og multiplikative sesongvariasjonermultiplikative sesongvariasjoner
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 5050Rasmus RasmussenRasmus Rasmussen
2. Solver minimerer MSE i tilpassingsserien.
1. Formler beregner startverdiene.
3. Bereger MSE for blindtesten.
Modell for stasjonære data og Modell for stasjonære data og multiplikative sesongvariasjonermultiplikative sesongvariasjoner
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 5151Rasmus RasmussenRasmus Rasmussen
2. Solver minimerer MSE i tilpassingsserien.
1. Solver beregner startverdiene.
3. Bereger MSE for blindtesten.
Modell for stasjonære data og Modell for stasjonære data og multiplikative sesongvariasjonermultiplikative sesongvariasjoner
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 5252Rasmus RasmussenRasmus Rasmussen
2. Solver minimerer MSE i tilpassingsserien.
1. Oppdaterer tilpassingsserien helt til slutten av datasettet.
3. Lager prognoser for framtiden.
Prediksjoner ved modell med Prediksjoner ved modell med multiplikative sesongvariasjonermultiplikative sesongvariasjoner
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 5353Rasmus RasmussenRasmus Rasmussen
Prediksjoner ved tidspunkt 24 for periodene 25 - 28:
24 24 24 4Y E Sk k
26.359015.195.353SEY 212425
83.334946.044.354SEY 222426
03.401133.144.354SEY 232427
80.322912.044.354SEY 242428
Valg av prognosemodellValg av prognosemodell
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 5454Rasmus RasmussenRasmus Rasmussen
Metode MSE
Eksponensiell glatting og additiv sesong (formel initialverdier) 418,76
Eksponensiell glatting og additiv sesong (Solver velger initialverdier) 365,90
Eksponensiell glatting og multiplikativ sesong (formel initialverdier) 485,49
Eksponensiell glatting om multiplikativ sesong (Solver velger intialverdier) 409,14
Velg den prognosemetode som gir lavest prediksjonsfeil (MSE) i blindtesten.
Trend-modellerTrend-modeller Trend Trend er en langsiktiger en langsiktig bevegelsebevegelse eller eller
utvikling i en generell retningutvikling i en generell retning for en for en tidsserietidsserie..
Vi skal nå se på noen ikke-stasjonære Vi skal nå se på noen ikke-stasjonære tidsserieteknikker som kan passe for tidsserieteknikker som kan passe for data som inneholder en stigende eller data som inneholder en stigende eller synkende trend.synkende trend.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 5555Rasmus RasmussenRasmus Rasmussen
Et eksempel med trendEt eksempel med trend WaterCraft Inc. WaterCraft Inc. er en produsent av waterer en produsent av water
crafts (crafts (såkalte sjøscooteresåkalte sjøscootere). ). Selskapet har gledet seg over en rimelig Selskapet har gledet seg over en rimelig
stabil vekst i salget av sine produkterstabil vekst i salget av sine produkter.. Selskapets ledelse forbereder salgs- og Selskapets ledelse forbereder salgs- og
produksjonsplaner for kommende årproduksjonsplaner for kommende år. . Prognoser behøves for salgsnivået Prognoser behøves for salgsnivået
selskapet forventer å oppnå hvert kvartal. selskapet forventer å oppnå hvert kvartal.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 5656Rasmus RasmussenRasmus Rasmussen
Data med trendData med trend
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 5757Rasmus RasmussenRasmus Rasmussen
Dobbelt glidende gjennomsnittDobbelt glidende gjennomsnitt
EEtt er forventet nivå for periode er forventet nivå for periode t.t.
TTtt er forventet trend for periode er forventet trend for periode t.t.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 5858Rasmus RasmussenRasmus Rasmussen
Y E Tt k t tk der
ttt DM2E )1/()DM(2T kttt
kktttt /)(M YYY 11
kktttt /)(D MMM 11
Gjennomsnittet
Gjennomsnittet av
gjennomsnittet
Modell med dobbelt glidende Modell med dobbelt glidende gjennomsnittgjennomsnitt
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 5959Rasmus RasmussenRasmus Rasmussen
Foreta en blindtest.
Modell med dobbelt glidende Modell med dobbelt glidende gjennomsnittgjennomsnitt
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 6060Rasmus RasmussenRasmus Rasmussen
Oppdater modellen t.o.m. siste periode
Lag prognoser for framtiden
Prediksjoner ved modell med Prediksjoner ved modell med dobbelt glidende gjennomsnittdobbelt glidende gjennomsnitt
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 6161Rasmus RasmussenRasmus Rasmussen
Prediksjoner for periodene 21 til 24 ved tidspunkt 20:
23.25259.139133.2385T1EY 202021
20 20 20Y E Tk k
13.26659.139233.2385T2EY 202022
03.28059.139333.2385T3EY 202023
94.29449.139433.2385T4EY 202024
Dobbel eksponensiell glatting:Dobbel eksponensiell glatting:Holt’s Holt’s metodemetode
EEtt er forventet nivå i periodeer forventet nivå i periode t.t. TTtt er forventet trend for periodeer forventet trend for periode t.t. Initialverdier: EInitialverdier: E11 = Y = Y1 1 og Tog T11 = 0 = 0
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 6262Rasmus RasmussenRasmus Rasmussen
Y E Tt k t tk der
Et = Yt + (1 )(Et-1+ Tt-1)
Tt = (Et Et-1) + (1 ) Tt-1
10 og 10
Tilsynelatende nivå Forrige anslag på
nivå
Tilsynelatende trend
Forrige anslag på trend
Modellen med Holt’s metodeModellen med Holt’s metode
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 6363Rasmus RasmussenRasmus Rasmussen
1. Beregn startverdier
2. Lag en-periodisk prognose og oppdater parametrene i hele tilpassingsserien
3. Bruk Solver til å minimere MSE for tilpassingsserien
4. Lag prognose i blindtestperioden, og beregn MSE.
Modellen med Holt’s metodeModellen med Holt’s metode
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 6464Rasmus RasmussenRasmus Rasmussen
1. La Solver velge startverdier
2. Lag en-periodisk prognose og oppdater parametrene i hele tilpassingsserien
3. Bruk Solver til å minimere MSE for tilpassingsserien
4. Lag prognose i blindtestperioden, og beregn MSE.
Modellen med Holt’s metodeModellen med Holt’s metode
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 6565Rasmus RasmussenRasmus Rasmussen
1. Oppdater modellen for hele dataserien, helt fram til siste periode.
2. Bruk Solver til å minimere MSE for den nye tilpassingsserien.
3. Lag prognoser for den ukjente framtiden.
Prediksjoner basert påPrediksjoner basert på Holt’s Holt’s modellmodell
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 6666Rasmus RasmussenRasmus Rasmussen
Prediksjoner for periode 21 til 24 i periode 20:
. . .Y E T21 20 201 23368 1 1521 2488 9
. . .Y E T22 20 202 23368 2 1521 26410 . . .Y E T23 20 203 2336 8 3 152 1 27931
. . .Y E T24 20 204 2336 8 4 152 1 2945 2
Holt-Winter’s metode for Holt-Winter’s metode for Additive sesongvariasjonerAdditive sesongvariasjoner
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 6767Rasmus RasmussenRasmus Rasmussen
Y E T St k t t t k pk der
)T)(E-(1SYE 11 ttpttt 11 )T-(1EET tttt ptttt )S-(1EYS
10
10
10
Anslag på nivå,
trend og sesong
Forrige verdi nivå,
trend og sesong
Holt-Winter’s metode for Holt-Winter’s metode for Additive sesongvariasjonerAdditive sesongvariasjoner
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 6868Rasmus RasmussenRasmus Rasmussen
0T p
ppp SYE
p 1,..., for t 1
S1
p
tttt Y
pY
Initialverdier :
Holt-Winter med additive Holt-Winter med additive sesongeffektsesongeffekt
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 6969Rasmus RasmussenRasmus Rasmussen
1. La Solver velge startverdier
2. Lag en-periodisk prognose og oppdater parametrene i hele tilpassingsserien
3. Bruk Solver til å minimere MSE for tilpassingsserien
4. Lag prognoser i blindtestperioden, og beregn MSE.
Holt-Winter med additive Holt-Winter med additive sesongeffektsesongeffekt
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 7070Rasmus RasmussenRasmus Rasmussen
1. Oppdater modellen for hele dataserien, helt fram til siste periode.
2. Bruk Solver til å minimere MSE for den nye tilpassingsserien.
3. Lag prognoser for den ukjente framtiden.
Prediksjoner ved Holt-Winter’s modell Prediksjoner ved Holt-Winter’s modell Additive sesongeffekterAdditive sesongeffekter
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 7171Rasmus RasmussenRasmus Rasmussen
Prediksjoner for periodene 21 til 24 på tidspunkt 20:
20 20 20 20 4Y E T Sk kk 3.267066.2623.15413.2253ST1EY 17202021 3.224959.3123.15423.2253ST2EY 18202022 6.292140.2053.15433.2253ST3EY 19202023 6.325612.3863.15443.2253ST4EY 20202024
Holt-Winter’s metode for Holt-Winter’s metode for Multiplikative sesongvariasjonerMultiplikative sesongvariasjoner
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 7272Rasmus RasmussenRasmus Rasmussen
Y E T St k t t t k pk der
)T)(E-(1S/YE 11 ttpttt 11 )T-(1EET tttt ptttt )S-(1E/YS
10
10
10
Holt-Winter’s metode for Holt-Winter’s metode for Multiplikative sesongvariasjonerMultiplikative sesongvariasjoner
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 7373Rasmus RasmussenRasmus Rasmussen
0T p
p
pp S
YE
p 1,..., for t 1
S
1
p
tt
tt
Yp
YInitialverdier :
Holt-Winter: Multiplikativ sesongHolt-Winter: Multiplikativ sesong
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 7474Rasmus RasmussenRasmus Rasmussen
1. La Solver velge startverdier
2. Lag en-periodisk prognose og oppdater parametrene i hele tilpassingsserien
3. Bruk Solver til å minimere MSE for tilpassingsserien
4. Lag prognoser i blindtestperioden, og beregn MSE.
Holt-Winter: Multiplikativ sesongHolt-Winter: Multiplikativ sesong
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 7575Rasmus RasmussenRasmus Rasmussen
1. Oppdater modellen for hele dataserien, helt fram til siste periode.
2. Bruk Solver til å minimere MSE for den nye tilpassingsserien.
3. Lag prognoser for den ukjente framtiden.
Prediksjoner med Holt-Winter’s modell Prediksjoner med Holt-Winter’s modell Multiplikative sesongeffekterMultiplikative sesongeffekter
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 7676Rasmus RasmussenRasmus Rasmussen
Prediksjoner for periodene 21 - 24 på tidspunkt 20:
( ) ( . . ) . .Y E T21 20 20 171 2217 6 1 137 3 1152 2712 8 S ( ) ( . . ) . .Y E T22 20 20 182 2217 6 2 137 3 0 849 2115 9 S
( ) ( . . ) . .Y E T23 20 20 193 2217 6 3 137 3 1103 2900 3 S
( ) ( . . ) . .Y E T24 20 20 204 2217 6 4 137 3 1190 3292 5 S
20 20 20 20 4Y E T Sk kk
Holt-Winter og endringerHolt-Winter og endringerMultiplikativ sesong
50
100
150
200
250
300
350
400
450
0 4 8 12 16 20 24
Additiv sesong
50
100
150
200
250
300
350
400
0 4 8 12 16 20 24
Skifta i nivå
50
100
150
200
250
300
0 4 8 12 16 20 24
Skift i trend
507090
110130150170190210230250
0 4 8 12 16 20 24Rasmus RasmussenRasmus RasmussenLOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 7777
Tidsserier og REGRESJONTidsserier og REGRESJON
DataData Modeller som Modeller som IKKEIKKE tillater skift i nivå/trend/sesong tillater skift i nivå/trend/sesong
TrendTrendLangsiktig Langsiktig generell endring i generell endring i nivånivå
Lineær trendLineær trend
Kvadratisk trendKvadratisk trend
Trend & Trend & SesongSesongLangsiktig Langsiktig generell endring i generell endring i nivå og repeterte nivå og repeterte variasjoner rundt variasjoner rundt trendlinjentrendlinjen
Trend (lineær eller kvadratisk), additiv ellerTrend (lineær eller kvadratisk), additiv eller
multiplikativ sesongjustering.multiplikativ sesongjustering.
Regresjon med trend (lineær eller Regresjon med trend (lineær eller kvadratisk) og additiv sesongkvadratisk) og additiv sesong
Rasmus RasmussenRasmus RasmussenLOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 7878
Modell med lineær trendModell med lineær trend
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 7979Rasmus RasmussenRasmus Rasmussen
Y Xt b bt
0 1 1
tt1Xder
For eksempel:X X X 1 1 11 2 3
1 2 3 , , ,
Blindtest med lineær trendBlindtest med lineær trend
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 8080Rasmus RasmussenRasmus Rasmussen
Spesialtilfelle av Holt’s modell.Spesialtilfelle av Holt’s modell.
Tilpassingsserien
Blindtest
Prognose med lineær trendPrognose med lineær trend
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 8181Rasmus RasmussenRasmus Rasmussen
Spesialtilfelle av Holt’s modell.Spesialtilfelle av Holt’s modell.
Tilpassingsserien gjelder nå hele datasettet.
Prognose for framtiden
Prediksjoner basert på lineær Prediksjoner basert på lineær trendtrend
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 8282Rasmus RasmussenRasmus Rasmussen
Prediksjoner for periode 21 til 24 i periode 20:
. . .Y X21 0 1 1213751 92 6255 21 2320 3 b b
. . .Y X22 0 1 1223751 92 6255 22 2412 9 b b
. . .Y X23 0 1 1233751 92 6255 23 25056 b b
. . .Y X24 0 1 1243751 92 6255 24 2598 2 b b
TREND() TREND() funksjonenfunksjonenTREND(Y-TREND(Y-område;område; X- X-område;område; X- X-verdi for prediksjonverdi for prediksjon))
derder: :
Y-Y-områdeområde er området i er området i regnearket som inneholderregnearket som inneholder verdiene for den avhengigeverdiene for den avhengige Y Y variabelenvariabelen, , X-X-områdeområde er området i regnearket som inneholder er området i regnearket som inneholder verdiene for de(n) uavhengigeverdiene for de(n) uavhengige X X variablene,variablene, X-X-verdi for prediksjonverdi for prediksjon er en celleer en celle ( (ellereller cell cellerer) ) som som inneholder verdier forinneholder verdier for X X variabelen(e)variabelen(e) som vi ønsker å som vi ønsker å estimerteestimerte Y Y verdier til verdier til..
MerkMerk: TREND( ) : TREND( ) funksjonenfunksjonen blirblir dynamiskdynamisk oppdatertoppdatert hver ganghver gang dataene tildataene til funksjonen endresfunksjonen endres. . Imidlertid gir den ikke den Imidlertid gir den ikke den statistiske informasjonen som regresjonsanalysen girstatistiske informasjonen som regresjonsanalysen gir..
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 8383Rasmus RasmussenRasmus Rasmussen
Kvadratisk trend modellKvadratisk trend modell
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 8484Rasmus RasmussenRasmus Rasmussen
Y X Xt b b bt t
0 1 1 2 2
221 X og Xder tt
tt
Blindtest kvadratisk trendBlindtest kvadratisk trend
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 8585Rasmus RasmussenRasmus Rasmussen
Tilpassingsserien
Blindtest
Prognoser kvadratisk trendPrognoser kvadratisk trend
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 8686Rasmus RasmussenRasmus Rasmussen
Tilpassingsserien gjelder nå hele datasettet.
Prognose for framtiden
Prediksjoner ved kvadratisk trend Prediksjoner ved kvadratisk trend modellmodell
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 8787Rasmus RasmussenRasmus Rasmussen
Prediksjoner for periode 21 til 24 i periode 20:
. . . .Y X X21 0 1 1 2 22
21 2165367 16 671 21 3617 21 2598 9 b b b
. . . .Y X X22 0 1 1 2 22
22 22653 67 16 671 22 3 617 22 27711 b b b
. . . .Y X X23 0 1 1 2 22
23 2365367 16 671 23 3617 23 29505 b b b
. . . .Y X X24 0 1 1 2 22
24 24653 67 16 671 24 3 617 24 3137 2 b b b
SesongvariasjonerSesongvariasjoner Sesong er et jevnt, repeterende mønster Sesong er et jevnt, repeterende mønster
rundt en trendlinje, og er veldig vanlig i rundt en trendlinje, og er veldig vanlig i økonomiske data.økonomiske data.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 8888Rasmus RasmussenRasmus Rasmussen
$0
$500
$1,000
$1,500
$2,000
$2,500
$3,000
1 3 5 7 9 11 13 15 17 19 21
Tidsperiode
Sa
lg (
i $
1,0
00
s)
Faktisk salg
Kvadratisk trend
SesongjusteringsindekserSesongjusteringsindekser Vi kan beregne sesongjusteringsindekser for Vi kan beregne sesongjusteringsindekser for
sesong sesong pp slikslik::
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 8989Rasmus RasmussenRasmus Rasmussen
pinp
i i
i
p sesong iinntrer som allefor ,Y
Y
S
Justert prediksjon for periode i er da
pipii sesong iinntrer som enhver for ,SY=justert Y
Blindtest kvadratisk trend Blindtest kvadratisk trend multiplikativ sesongmultiplikativ sesong
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 9090Rasmus RasmussenRasmus Rasmussen
1. Beregn kvadratisk trend, basert på tilpassingsperioden. 2. Beregn multiplikativ sesong,
i tilpassingsperioden.
3. Beregn gjennomsnittlige sesongfaktorer i tilpassingsserien.
4. Lag prognoser, basert på kvadratisk trend og gjennomsnittlige sesongfaktorer.
Prognose kvadratisk trend Prognose kvadratisk trend multiplikativ sesongmultiplikativ sesong
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 9191Rasmus RasmussenRasmus Rasmussen
1. Beregn kvadratisk trend, basert på hele datasettet. 2. Beregn multiplikativ sesong,
for hele datasettet.
3. Beregn gjennomsnittlige sesongfaktorer for hele datasettet.
4. Lag prognoser, basert på kvadratisk trend og gjennomsnittlige sesongfaktorer.
Prediksjoner med sesongjusteringer Prediksjoner med sesongjusteringer for vår kvadratiske trend modellfor vår kvadratiske trend modell
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 9292Rasmus RasmussenRasmus Rasmussen
Prediksjoner for periode 21 til 24 i periode 20:
( ) . . .Y X X21 0 1 1 2 2 121 212598 9 1057% 2747 03 b b b S
( ) . . .Y X X22 0 1 1 2 2 222 2227711 801% 2219 65 b b b S
( ) . . .Y X X23 0 1 1 2 2 323 2329505 1031% 304197 b b b S
( ) . . .Y X X24 0 1 1 2 2 424 243137 2 1111% 348543 b b b S
Sammendrag av trend og bruk Sammendrag av trend og bruk av sesongvekterav sesongvekter
1. 1. Lag en trend modell og beregn prediksjoner for Lag en trend modell og beregn prediksjoner for hver observasjonhver observasjon..
2. 2. For For hver observasjon beregnes forholdet mellom hver observasjon beregnes forholdet mellom faktisk og predikert trend verdifaktisk og predikert trend verdi..
3. 3. For For hver sesong, beregn gjennomsnittet av hver hver sesong, beregn gjennomsnittet av hver brøk fra trinn 2. Dette er sesongvektenebrøk fra trinn 2. Dette er sesongvektene..
4. 4. Multipliser enhver prediksjon fra trendmodellen Multipliser enhver prediksjon fra trendmodellen med tilhørende sesongvekt beregnet i trinn 3.med tilhørende sesongvekt beregnet i trinn 3.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 9393Rasmus RasmussenRasmus Rasmussen
Rafinere modellen med Rafinere modellen med sesongindeksersesongindekser
Merk at Solver kan brukes til å beregne Merk at Solver kan brukes til å beregne optimale verdier for optimale verdier for sesongindeksenesesongindeksene ogog parametreneparametrene i trend modellen i trend modellen simultantsimultant..
Det finnes ingen garanti for at dette vil Det finnes ingen garanti for at dette vil gi bedre prediksjoner, men det vil gi en gi bedre prediksjoner, men det vil gi en modell som passer bedre til de modell som passer bedre til de historiske data ut fra MSE.historiske data ut fra MSE.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 9494Rasmus RasmussenRasmus Rasmussen
Solver beregner trend-Solver beregner trend-parametre og sesongindekserparametre og sesongindekser
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 9595Rasmus RasmussenRasmus Rasmussen
1. Beregn kvadratisk trend, basert på koeffisienter Solver kan velge.
2. Beregn prognose, basert på kvadratisk trend og sesongfaktorer Solver kan velge.
3. La Solver minimere MSE for tilpassingsserien, ved å velge trend-koeffisientene og sesongfaktorene.
4. Beregn MSE i blindtesten.
Solver beregner trend-Solver beregner trend-parametre og sesongindekserparametre og sesongindekser
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 9696Rasmus RasmussenRasmus Rasmussen
1. Beregn kvadratisk trend, basert på koeffisienter Solver kan velge.
2. Beregn prognose, basert på kvadratisk trend og sesongfaktorer Solver kan velge.
3. La Solver minimere MSE for helehele datasettet, ved å velge trend-koeffisientene og sesongfaktorene.
Trend & additiv sesongTrend & additiv sesong
Vi kan selvsagt benytte additiv sesong Vi kan selvsagt benytte additiv sesong istedenfor multiplikativ sesong.istedenfor multiplikativ sesong.
Estimert sesongeffekt blir da: Estimert sesongeffekt blir da:
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 9797Rasmus RasmussenRasmus Rasmussen
i i iS Y T
Tilsvarende blir prognosen endret til:Tilsvarende blir prognosen endret til:
t t pY T S
Regresjonsmodeller med sesongRegresjonsmodeller med sesong
Indikatorvariabler kan brukes i regresjonsmodeller Indikatorvariabler kan brukes i regresjonsmodeller for å representere sesongeffekterfor å representere sesongeffekter..
Hvis det erHvis det er pp sesongersesonger, , trengstrengs pp-1-1 indikatorvariablerindikatorvariabler..
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 9898Rasmus RasmussenRasmus Rasmussen
Vårt eksempel har kvartalsvise data, så p = 4 og vi definerer følgende indikatorvariabler:
ellers ,0
2 kvartalfor observsjonen er Y hvis ,1X4
t
t
ellers ,0
1 kvartalfor n observasjoen er Y hvis ,1X3
t
t
ellers ,0
3 kvartalfor n observasjoen er Y hvis ,1X5
t
t
Implementere modellenImplementere modellen
Regresjonsfunksjonen erRegresjonsfunksjonen er::
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 9999Rasmus RasmussenRasmus Rasmussen
Y X X X X Xt b b b b b bt t t t t
0 1 1 2 2 3 3 4 4 5 5
221 X og Xder tt
tt
0 ellers kvartal, 1. hvis 1X og 3 t
0 ellers kvartal, 2. hvis 1X og 4 t
0 ellers kvartal, 3. hvis 1X og 5 t
Regresjon med additiv sesong - Regresjon med additiv sesong - blindtestblindtest
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 100100Rasmus RasmussenRasmus Rasmussen
Regresjon med additiv sesong - Regresjon med additiv sesong - prognoseprognose
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 101101Rasmus RasmussenRasmus Rasmussen
Prediksjoner ved Prediksjoner ved regresjonsmodell med sesongregresjonsmodell med sesong
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 102102Rasmus RasmussenRasmus Rasmussen
Prediksjoner for periodene 21 til 24 i periode 20:
. . ( ) . ( ) . ( ) . ( ) . ( ) .Y212824 471 17 319 21 3485 21 86805 1 424 736 0 123 453 0 2638 7
. . ( ) . ( ) . ( ) . ( ) . ( ) .Y222824 471 17 319 22 3485 22 86 805 0 424 736 1 123 453 0 2468 0
. . ( ) . ( ) . ( ) . ( ) . ( ) .Y232824 471 17 319 23 3 485 23 86 805 0 424 736 0 123 453 1 2943 4
. . ( ) . ( ) . ( ) . ( ) . ( ) .Y242824 471 17 319 24 3485 24 86 805 0 424 736 0 123 453 0 32481
Kombinere prediksjonerKombinere prediksjoner
Det er også mulig å kombinere prediksjoner for å Det er også mulig å kombinere prediksjoner for å lage en ”kompositt” prognoselage en ”kompositt” prognose..
Anta at vi har brukt tre forskjellige Anta at vi har brukt tre forskjellige prediksjonsmetoder på et gitt sett av data.prediksjonsmetoder på et gitt sett av data.
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 103103Rasmus RasmussenRasmus Rasmussen
Benevn predikert verdi i periode t ved bruk av hver metode slik:
tttFFF 321 og ,,
Vi kan lage en komposittprognose slik :
Y F F Ft b b b bt t t
0 1 1 2 2 3 3
Mer om Mer om sesongfaktorersesongfaktorer For å unngå systematiske prediksjons-feil For å unngå systematiske prediksjons-feil
bør sesongfaktorene bør sesongfaktorene normaliseresnormaliseres : :
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 104104Rasmus RasmussenRasmus Rasmussen
1
1 p
t t p jj
F Sp
Gjennomsnittlig Faktorsum :
Vi justerer de p siste sesongfaktorene
t p jt p j
t
SS
F
Normalisering Multiplikativ:
Normalisering Additiv: t p j t p j tS S F
Normalisering av Normalisering av sesongfaktorersesongfaktorer
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 105105Rasmus RasmussenRasmus Rasmussen
End of Chapter 11End of Chapter 11
LOG350 OperasjonsanalyseLOG350 Operasjonsanalyse 106106Rasmus RasmussenRasmus Rasmussen