Capitol7 2

Indicatori ai erorilor de previziune
• criteriu de selecţie în alegerea diferitelor metode
• eroarea de previziune la momentul t este diferenţa

dintre valoarea previzionată pentru momentul t şi
valoarea reală înregistrată în momentul t
et  Yt  Pt
Indicatori ai erorilor de previziune
•Eroarea medie (EM): •Eroarea medie absolută (EMA):
1 n 1 n
EM   et EMA   et MAD – Mean Absolute
n t 1 n t 1 Deviation
•Eroarea medie pătratică •Eroarea standard (ES):

(EMP):
1 n 2 RMSE – Root Mean
1 n 2
EMP   et
n t 1
ES  EMP  
n t 1
et Squared Error
•Eroarea procentuală medie •Eroarea procentuală medie absolută (EPMA):

(EPM):
1 n et 1 n et MAPE – Mean
EPM   ( 100) EPMA   100 Absolute Percent Error
n t 1 Yt n t 1 Yt
Testul U al lui Theil
2
•Testul U al lui Theil : n 1
 Pt 1  Yt 1 

t 1 

Yt

Theil ' s U  
2
n 1
 Yt  Yt 1 
 
t 1  Yt


Theil’s U < 1 metoda utilizată este mai exactă decât metoda valorii anterioare
- Theil’s U >1 metoda utilizată dă erori mai mari decât metoda valorii anterioare
-Theil’s U =1 metoda utilizată este la fel de exactă ca şi metoda valorii anterioare
deci nu se justifică a fi utilizată
-compară eroarea metodei de previziune care se utilizează cu eroarea care s-ar

obţine dacă s-ar folosi ultima valoare ca şi valoare prognozată
Diagnoza reziduurilor
• O bună metodă de prognoză obţine reziduuri cu

următoarele proprietăţi:
• Obligatorii:
– Reziduurile nu sunt corelate (NU – informaţie cuprinsă în reziduuri)
– Media reziduurilor este zero (NU – prognoză părtinitoare)
• Adiţionale:
– Reziduurile au varianţă constantă
– Reziduurile sunt normal distribuite
Autocorelaţie
• Coeficientul de
autocorelaţie
• (k- lag, întârziere)
• White noise – SCR

fără autocorelaţie
• P=95%, toţi
Teste pentru diagnoza reziduurilor
• Box-Pierce test (Q)
• Ljung-Box test (Q*)

Box-Pierce test (Q) şi Ljung-Box test (Q*)
• h – lag-ul maxim • Q* prezintă acurateţe
considerat mai mare faţă de Q
• T – numărul de • Q şi Q* cât mai
observaţii apropiaţi de zero
• h=10 serii nesezoniere
• h=2m serii sezoniere
• Dacă 10 şi 2m sunt mai
mari ca T/5 atunci h=T/5
Metode bazate pe valoarea medie
• Metoda ultimei valori înregistate
• Metoda mediei aritmetice simple
• Media mobilă de ordin k
• Media mobilă exponenţială de ordin k
• Metoda sporului mediu
• Metoda indicelui mediu
Metoda ultimei valori înregistate
yt 1  yt  et
Dacă seria de valori urmează proces mers la întâmplare atunci previziunea cea mai
potrivită realizată în momentul t pentru momentul t+1 este chiar valoarea din
momentul t
ˆ t 1  y t
y
Metoda mediei aritmetice simple
• metodă cu “memorie lungă” 14

13
• Capacitate redusă de a se adapta la 12
11
modificările apărute în evoluţia 10
recentă a datelor 9
8
7
6
• pentru serii de timp staţionare

5
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
(orizontale) - perioade scurte de timp

şi pentru date înregistrate cu o
frecvenţă ridicată (date zilnice,
săptămânale)
1 n
ˆ n 1
y   yt
n t 1
Media mobilă de ordin k
 !!!!!!distincţie între media mobilă de

ordin k utilizată în previzionare şi
media mobilă utilizată pentru
descompunerea sezonieră!!!
 metodă cu “memorie scurtă”
1 n
 t  n  k 1 y t
 Capacitate ridicată de a se adapta la
modificările apărute în evoluţia yˆ n 1
recentă a datelor k
 pentru serii de timp staţionare
(orizontale) - perioade scurte de timp
şi pentru date înregistrate cu o
frecvenţă ridicată (date zilnice,
săptămânale)
Media mobilă exponenţială de ordin k
• La fel ca media k nt

yˆ n1  t nk 1
n
mobilă de ordin k cu yt

k
diferenţa că j 1
j
ponderile valorilor
cuprinse în medie nu
sunt egale, acestea
descresc odată ce
valorile devin mai
îndepărtate în timp
Metoda sporului mediu
• Pentru serii non-

staţionare cu tendinţă yˆ n  p  y n  pS
aproximativ liniară
• Sporurile (diferenţele
de ordinul întâi)  yn
t  y t 1 
transformă seria non- S t 2
staţionară în serie n 1
staţionară
Metoda indicelui mediu
• non-staţionare cu
tendinţă aproximativ yˆ n p  yn  ( I ) p
exponenţială
yt
I  n 1 t  2
• Seria devine n
staţionară prin y t 1
calcularea seriei
indicilor de dinamică
Metode de nivelare exponentiala pentru serii
de timp fără trend şi fără sezonalitate
Single Moving Average
media mobilă simplă (cu ponderi egale)
Ziua vânzări Media mobilă ordin 7
1 998.98

2 1000.39
3 998.59
4 999.34
5 999.49
6 997.58
7 998.46 998.9757143
8 1000.77 999.2314286
9 999.81 999.1485714
10 997.94 999.2814286
11 1000.44 999.0814286
12 999.16 999.2171429
13 999.67 999.4428571
15 999.9 999.6157143
16 999.23 999.4914286
17 1000.99 999.4085714
18 1001.02 999.6185714
19 998.07 1000.058571
20 998.16 999.72
21 999.83 999.5771429
22 999.45 999.6
23 998.7 999.5357143
24 999.64 999.46
25 1000.12 999.2671429
26 999.96 999.1385714
27 999.71 999.4085714
28 999.83 999.63
29 1001.38 999.63
30 1000.02 999.9057143
output Oracle Crystal Ball
Period Lower Forecast Upper

31 998.10 1,000.09 1,002.09
32 998.20 1,000.09 1,001.99
33 998.24 1,000.09 1,001.95
34 998.18 1,000.09 1,002.00
Statistic Historical data
Ljung-Box 11.90
Seasonality Non-seasonal
Method Rank RMSE
Single Moving Average Best 1.02
Method Theil's U
Single Moving Average 0.7890
Method Parameter Value
Single Moving Average Order 7
Nivelare exponenţială simplă
• Date fără trend şi fără componentă sezonieră

• previziunea pentru perioada t+1 este o medie ponderată a
valorilor observate până în acel moment iar ponderile
descresc exponenţial pe măsură ce valorile observate
devin din ce în ce mai îndepărtate
yˆ t 1  y t   (1   ) y t 1   (1   ) 2 y t  2  ....   (1   ) t 1 y1
a- este parametrul de nivelare pozitiv şi subunitar

a- se alege astfel încât erorile de previzionare să fie minime
Single Exponential Smoothing
• (Initialization) F1 = 0, F2 = Y1
• (Fit) Ft = α * Yt-1 + (1–α) * Ft-1
• (Forecast for period m) Ft+m = Ft
• Note: First fit is available from period 2.

reprezentare grafică tipică

31 997.87 999.56 1,001.71
32 997.88 999.56 1,001.69
33 997.90 999.56 1,001.67
34 997.85 999.56 1,001.72
Ljung-Box 11.90
Method Rank RMSE
Single Exponential Smoothing Best 0.98
Method Theil's U
Single Exponential Smoothing 0.7583
Single Exponential Smoothing Alpha 0.1090
Alegerea celei mai bune metode
Method Rank RMSE

Single Exponential Smoothing Best 0.98
Single Moving Average 2nd 1.02
Method Theil's U
Single Exponential Smoothing 0.7583
Single Moving Average 0.7890
Single Exponential Smoothing Alpha 0.1090
Single Moving Average Order 7
de timp cu trend şi fără sezonalitate
Double Moving Average
Double Exponential Smoothing
Damped Trend Smoothing Nonseasonal
Evoluţia cifrei de afaceri în 12 ani – double
moving average
anul cifra de afaceri

1 9
2 10.4
3 12
4 15
5 16
6 19
7 21.5
8 23
9 25
10 27.6
11 29
12 31.4
Double Moving Average

13 32.61 33.33 34.05
14 34.32 35.37 36.42
15 36.49 37.40 38.31
16 38.05 39.43 40.82
Ljung-Box 11.88
Method Rank RMSE
Double Moving Average Best 0.37
Method Theil's U
Double Moving Average 0.1779
Double Moving Average Order 4
reprezentare grafică
• (Initialization) L1 = Y1, T1 = 0, F1=Y1
• Level: Lt = α * Yt + (1 – α) * (Lt-1 + Tt-1)
• Trend: Tt = β * (Lt – Lt-1) + (1 – β) * Tt-1
• Fit: Ft = α * Yt-1 + (1 – α) * Ft-1
• Forecast for period m: Ft+m = Lt + m*Tt
• Note:
• First fit is available from period 2.
Period Lower: 2.5% Forecast Upper: 97.5%

13 31.48 33.37 35.26
14 32.29 35.45 38.61
15 32.52 37.53 42.55
16 32.56 39.61 46.66
Ljung-Box 11.88
Method Rank RMSE
Double Exponential Smoothing Best 0.96
Method Theil's U
Double Exponential Smoothing 0.5857
Double Exponential Smoothing Alpha 0.6631
Beta 0.9990
Damped Trend Smoothing Nonseasonal
Damped Trend Non-Seasonal
13 31.47 33.36 35.25
14 32.28 35.44 38.60
15 32.50 37.52 42.53
16 32.55 39.59 46.63
Ljung-Box 11.88
Method Rank RMSE
Damped Trend Non-Seasonal Best 0.96
Method Theil's U Durbin-Watson

Damped Trend Non-Seasonal 0.5858 1.80
Damped Trend Non-Seasonal Alpha 0.6632
Beta 0.9990
Phi 0.9990
Method Rank RMSE

Double Moving Average Best 0.37
Double Exponential Smoothing 2nd 0.96
Damped Trend Non-Seasonal 3rd 0.96
Method Theil's U
Double Moving Average 0.1779
Double Exponential Smoothing 0.5857
Damped Trend Non-Seasonal 0.5858
Double Moving Average Order 4
Double Exponential Smoothing Alpha 0.6631
Beta 0.9990
Damped Trend Non-Seasonal Alpha 0.6632
Beta 0.9990
Phi 0.9990
de timp fără trend şi cu sezonalitate
Sesonal aditive
Sesonal multiplicative
anul trimestrul indicatorul
1 1 362
2 386
3 432
4 341
2 1 382
2 409
3 498
4 387
3 1 473
2 513
3 582
4 474
4 1 544
2 582
3 681
4 557
5 1 628
2 707
3 773
4 592
6 1 627
2 725
3 854
4 661
Sesonal aditive – reprezentare grafică
Sesonal aditive
• Initializarea: Lt = P, St = Yt – P
for t = 1 to s
• m—Number of periods ahead

to forecast
• s—Length of seasonality
• Lt—Level of the series at time t
• St—Seasonal component at
time t
• Note:
• First fit is available from period
(s + 1)
Seasonal Additive

25 637.95 719.12 800.29
26 672.33 787.39 902.45
27 718.12 854.74 991.35
28 505.96 661.00 816.03
Ljung-Box 47.66
Seasonality 4
Method Rank RMSE
Seasonal Additive Best 41.41
Method Theil's U
Seasonal Additive 0.4615
Seasonal Additive Alpha 0.6234
Gamma 0.9990
Sesonal multiplicative –reprezentare grafică
Sesonal multiplicative
• Initializarea: Lt = P, St = Yt/P for t =

1 to s
• m—Number of periods ahead to

forecast
• s—Length of seasonality
• St—Seasonal component at time t
• Note:
• First fit is available from period
(s + 1)
Seasonal Multiplicative

25 643.26 701.72 760.18
26 651.46 748.24 845.02
27 704.75 837.41 970.08
28 505.97 661.01 816.06
Ljung-Box 47.66
Seasonality 4
Method Rank RMSE
Seasonal Multiplicative Best 29.83
Method Theil's U
Seasonal Multiplicative 0.3720
Seasonal Multiplicative Alpha 0.9990
Gamma 0.0010
Metode de nivelare exponentiala pentru
serii de timp cu trend şi cu sezonalitate
Holt-Winters’ Additive
Holt-Winters’ Multiplicative
Damped Trend Additive Sesonal
Damped Trend Multiplicative Seasonal
• Initializarea: Lt = P, bt = 0, St = Yt – P,
for t = 1 to s
P= • m—Number of periods ahead to

forecast
• s—Length of the seasonality
• bt—Trend of the series at time t
• Note:
• First fit is available from period (s +
1)
Holt-Winters' Additive

25 655.39 722.64 789.89
26 740.11 827.68 915.25
27 836.46 931.99 1,027.52
28 637.08 735.63 834.17
Ljung-Box 47.66
Seasonality 4
Method Rank RMSE
Holt-Winters' Additive Best 34.31
Method Theil's U
Holt-Winters' Additive 0.3822
Alpha 0.4316
Holt-Winters' Additive Beta 0.2311
Gamma 0.9990
• Initializarea: Lt = P, bt = 0, St = Yt/P,
for t = 1 to s
P= • m—Number of periods ahead to

forecast
• s—Length of the seasonality
• bt—Trend of the series at time t
• Note:
• First fit is available from period (s +
1)
Holt-Winters' Multiplicative
25 664.78 716.64 768.51
26 702.36 778.92 855.49
27 789.98 888.28 986.57
28 609.72 714.21 818.70
Ljung-Box 47.66
Seasonality 4
Method Rank RMSE
Holt-Winters' Multiplicative Best 26.46
Method Theil's U
Holt-Winters' Multiplicative 0.3271
Holt-Winters' Multiplicative Alpha 0.9644
Beta 0.1129
Gamma 0.0010
Damped Trend Additive Sesonal
Damped Trend Seasonal Additive
25 655.20 722.46 789.72
26 739.88 827.46 915.05
27 836.20 931.71 1,027.23
28 636.78 735.22 833.66
Ljung-Box 47.66
Seasonality 4
Method Rank RMSE
Damped Trend Seasonal Additive Best 34.32
Method Theil's U
Damped Trend Seasonal Additive 0.3822
Damped Trend Seasonal Additive Alpha 0.4313
Beta 0.2323
Gamma 0.9990
Phi 0.9990
Damped Trend Multiplicative
Seasonal
Damped Trend Seasonal
Multiplicative
25 665.24 717.11 768.97
26 703.07 779.47 855.87
27 791.25 888.94 986.63
28 611.35 714.75 818.16
Ljung-Box 47.66
Seasonality 4
Method Rank RMSE
Damped Trend Seasonal Multiplicative Best 26.46

Method Theil's U
Damped Trend Seasonal Multiplicative 0.3260

Damped Trend Seasonal Multiplicative Alpha 0.9515

Beta 0.1224
Gamma 0.0010
Phi 0.9990
Method Rank RMSE
Damped Trend Seasonal Multiplicative Best 26.46
Holt-Winters' Multiplicative 2nd 26.46
Seasonal Multiplicative 3rd 29.83
Method Theil's U
Damped Trend Seasonal Multiplicative 0.3260
Holt-Winters' Multiplicative 0.3271
Seasonal Multiplicative 0.3720
Damped Trend Seasonal Multiplicative Alpha 0.9515
Beta 0.1224
Gamma 0.0010
Phi 0.9990
Holt-Winters' Multiplicative Alpha 0.9644
Beta 0.1129
Gamma 0.0010
Seasonal Multiplicative Alpha 0.9990
Gamma 0.0010

Capitol7 2

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Capitol7 2

Încărcat de

Drepturi de autor:

Formate disponibile

Indicatori ai erorilor de previziune

• criteriu de selecţie în alegerea diferitelor metode

• eroarea de previziune la momentul t este diferenţa

•Eroarea medie (EM): •Eroarea medie absolută (EMA):

•Eroarea medie pătratică •Eroarea standard (ES):

•Eroarea procentuală medie •Eroarea procentuală medie absolută (EPMA):

-compară eroarea metodei de previziune care se utilizează cu eroarea care s-ar

• O bună metodă de prognoză obţine reziduuri cu

• White noise – SCR

• Ljung-Box test (Q*)

• metodă cu “memorie lungă” 14

• pentru serii de timp staţionare

(orizontale) - perioade scurte de timp

 !!!!!!distincţie între media mobilă de

• La fel ca media k nt

• Pentru serii non-

Single Moving Average

Period Lower Forecast Upper

• Date fără trend şi fără componentă sezonieră

a- este parametrul de nivelare pozitiv şi subunitar

• (Fit) Ft = α * Yt-1 + (1–α) * Ft-1

• (Forecast for period m) Ft+m = Ft

• Note: First fit is available from period 2.

Period Lower Forecast Upper

Method Rank RMSE

anul cifra de afaceri

Period Lower Forecast Upper

Period Lower: 2.5% Forecast Upper: 97.5%

Method Theil's U Durbin-Watson

Method Rank RMSE

• m—Number of periods ahead

Period Lower Forecast Upper

• Initializarea: Lt = P, St = Yt/P for t =

• m—Number of periods ahead to

Period Lower Forecast Upper

P= • m—Number of periods ahead to

Period Lower Forecast Upper

P= • m—Number of periods ahead to

Damped Trend Seasonal Multiplicative Best 26.46

Damped Trend Seasonal Multiplicative 0.3260

Damped Trend Seasonal Multiplicative Alpha 0.9515

S-ar putea să vă placă și