Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Badania operacyjne Jeśli dzisiaj jest choć w połowie tak dobre, jak jutro ma być, to prawdopodobnie będzie dwa razy lepsze niż wczoraj Norman Augustine.

Podobne prezentacje


Prezentacja na temat: "Badania operacyjne Jeśli dzisiaj jest choć w połowie tak dobre, jak jutro ma być, to prawdopodobnie będzie dwa razy lepsze niż wczoraj Norman Augustine."— Zapis prezentacji:

1 Badania operacyjne Jeśli dzisiaj jest choć w połowie tak dobre, jak jutro ma być, to prawdopodobnie będzie dwa razy lepsze niż wczoraj Norman Augustine

2 Wstęp Poprzednio estymowaliśmy równanie popytu Proces estymacji składa się z paru kroków: – Identyfikacja głównych zmiennych objaśniających – Zbieranie danych dot. tych zmiennych – Wykorzystanie metod statystycznych, aby uzyskać równanie popytu, które najlepiej pasuje do przeszłych danych Na tym wykładzie z kolei zostanie zaprezentowane parę metod prognozowania przyszłości

3 Wstęp Metody prognozowania dzielą się na: – Modele strukturalne (próbują wyjaśnić jak dana zmienna zależy od innych zmiennych) Strukturalne modele ekonometryczne gospodarki – Modele niestrukturalne (identyfikują zależności w ruchach danej zmiennej w czasie) Analiza szeregów czasowych Metoda barometru (identyfikuje tzw. wskaźniki wyprzedzające, które sygnalizują zmiany danej zmiennej – np. zmiany na giełdzie sygnalizują zmiany w gospodarce realnej)

4 Dzisiaj Analiza szeregów czasowych – Wyznaczanie trendu prostego względem czasu: Liniowy Nieliniowy np. kwadratowy Nieliniowy, ale sprowadzalny do liniowego np. wykładniczy – trend wykładniczy a zmiany procentowe zmiennych – Wyznaczanie trendu autoregresyjnego Zależność zmiennej od siebie samej z przeszłości – Uwzględnienie trendu i zmian sezonowych Metoda ze średnimi błędami dla każdej pory roku Metoda ze zmiennymi binarnymi oznaczającymi porę roku

5

6

7

8

9

10

11

12

13

14

15

16 Szacowanie prostego trendu

17 Trend kwadratowy

18 Trend wykładniczy

19 Trend wykładniczy z naliczaniem dyskretnym i ciągłym Jeśli R>1 to y rośnie proporcjonalnie w stosunku do czasu – Np. R=1,04, więc y rośnie 4% rocznie Procenty mogą się naliczać co roku, bądź w częstszy sposób (na przykład codziennie) – Stąd rozróżnienie na dwa sposoby ujmowania trendu wykładniczego – Istnieje jednak prosta zależność między nimi

20 Model liniowy

21 Prognozy Trend wykładniczy i kwadratowy (nieliniowe) dają zupełnie różne prognozy niż trend liniowy (w szczególności dla dalekich prognoz)

22 Jak teraźniejszość wpływa na przyszłość? Rozważmy prognozę liczby abonentów pewnej telewizji kablowej, która obecnie ma abonentów: – Około 98% dotychczasowych abonentów przedłuża abonament na następny kwartał – Potencjalne rozmiary rynku ocenia się na abonentów – Liczba nowych abonentów zarejstrowanych w każdym kwartale stanowi ok. 8% ogólnej liczby nie pozyskanych jeszcze potencjalnych klientów

23 Model Załóżmy, że firma nie ma dobrej informacji na temat: – Wielkości rynku: N – Współczynnika utrzymania klientów (retention rate): r – Współczynnik nowych rejestracji abonentów (new subscriber sign up rate): s I chce te parametry wyestymować z dostępnych danych W tym celu wykorzystuje dane z ostatnich 8 kwartałów

24 Estymacja trendu

25 Prognoza , , ,

26 Popyt na zabawki Dane kwartalne 1Zima Zima Wiosna13522Wiosna169 3Lato14023Lato171 4Jesień18024Jesień209 5Zima Zima Wiosna17026Wiosna207 7Lato17227Lato209 8Jesień18628Jesień214 9Zima Zima Wiosna14830Wiosna212 11Lato15031Lato184 12Jesień19432Jesień219 13Zima Zima Wiosna15634Wiosna190 15Lato15835Lato222 16Jesień19636Jesień227 17Zima Zima Wiosna16138Wiosna228 19Lato19339Lato230 20Jesień20440Jesień229

27 Trend liniowy

28 RzeczywistePrzewidywane na podstawie trenduBłąd 1995 Zima133143,081110,0811 Wiosna135145,082210,0822 Lato140147,08337,0833 Jesień180149, , Zima141151,085510,0855 Wiosna170153, ,9134 Lato172155, ,9123 Jesień186157, , Zima143159,089916,0899 Wiosna148161,09113,091 Lato150163,092113,0921 Jesień194165, , Zima154167,094313,0943 Wiosna156169,095413,0954 Lato158171,096513,0965 Jesień196173, , Zima153175,098722,0987 Wiosna161177,099816,0998 Lato193179, ,8991 Jesień204181,102-22, Zima158183,103125,1031 Wiosna169185,104216,1042 Lato171187,105316,1053 Jesień209189, , Zima172191,107519,1075 Wiosna207193, ,8914 Lato209195, ,8903 Jesień214197, , Zima183199,111916,1119 Wiosna212201,113-10,887 Lato184203,114119,1141 Jesień219205, , Zima185207,116322,1163 Wiosna190209,117419,1174 Lato222211, ,8815 Jesień227213, , Zima199215,120716,1207 Wiosna228217, ,8782 Lato230219, ,8771 Jesień229221,124-7,876

29 Jak sobie radzić z sezonowością Policzyć średni błąd dla każdej z pór roku I poodejmować te błędy od wartości przewidywanej w zależności od pory roku Średni błąd prognozy Zima17,0009 Wiosna3,502 Lato0,2031 Jesień-20,6958

30 Jak poradzić sobie z sezonowością Alternatywnie (lepiej) można wprowadzić zmienne binarne dla każdej pory roku i wyestymować model postaci:

31 Zima Wiosna Lato Jesień Zima Wiosna Lato Jesień Zima Wiosna Lato Jesień Zima Wiosna Lato Jesień Zima Wiosna Lato Jesień Zima Wiosna Lato Jesień Zima Wiosna Lato Jesień Zima Wiosna Lato Jesień Zima Wiosna Lato Jesień Zima Wiosna Lato Jesień

32 Porównanie Rzeczywiste Model tylko z trendem Model ze średnimi Model ze zm. Binarnymi 1995 Zima133143, , ,06364 Wiosna135145, , ,56364 Lato140147, , ,86364 Jesień180149, , , Zima141151, , ,62727 Wiosna170153, , ,12727 Lato172155, , ,42727 Jesień186157, , , Zima143159, ,089143,19091 Wiosna148161,091157,589158,69091 Lato150163, ,889163,99091 Jesień194165, ,789186, Zima154167, , ,75455 Wiosna156169, , ,25455 Lato158171, , ,55455 Jesień196173, , , Zima153175, , ,31818 Wiosna161177, , ,81818 Lato193179, , ,11818 Jesień204181,102201, , Zima158183, , ,88182 Wiosna169185, , ,38182 Lato171187, , ,68182 Jesień209189, , , Zima172191, , ,44545 Wiosna207193, , ,94545 Lato209195, , ,24545 Jesień214197, , , Zima183199, ,111181,00909 Wiosna212201,113197,611196,50909 Lato184203, ,911201,80909 Jesień219205, ,811224, Zima185207, , ,57273 Wiosna190209, , ,07273 Lato222211, , ,37273 Jesień227213, , , Zima199215, , ,13636 Wiosna228217, , ,63636 Lato230219, , ,93636 Jesień229221,124241, ,83636 Średni błąd kwadratowy 17, , ,65477

33

34 Prognoza – jak policzyć W modelu z samym trendem, podstawić wartości czasu: W modelu ze średnimi odjąć średni błąd prognozy dla odpowiednich pór roku W modelu ze zmiennymi binarnymi, podstawić wartości czasu oraz wstawić jeden dla zmiennej oznaczającej daną porę roku Średni błąd prognozy Zima17,0009 Wiosna3,502 Lato0,2031 Jesień-20,6958

35 Prognoza Tylko trend Ze średnimi Ze zm. Binarnymi 41223, , , , , , , , , , , ,4

36 Jak ocenić jakość prognoz Średni błąd bezwględny prognozy Średni pierwiastkowy błąd kwadratowy Gdzie Q – przyszła wartość rzeczywista, Q* - wartość prognozowana, m – liczba prognoz, k – liczba estymowanych parametrów

37 W gretlu mnóstwo narzędzi Np. filtr Hodricka-Prescotta do odsezonowania

38 Model taki jak wcześniej tylko w GRETLu

39 Kiedy jaka średnia Jeśli zmiana procentowa danej zmiennej wyniosła w roku x: 50% a w roku x+1: -33,33% (obie wartości w stosunku do roku poprzedniego), to średnia roczna zmiana procentowa tej zmiennej wynosi około: A 8,33% B 0% C16,67% D-8,33% Cena towaru x i cena towaru y jest równa i wynosi 10 złotych. Stosunek ceny do zysku dla towaru x wynosi 8:1 a dla towaru y wynosi 2:1. Wobec tego średni stosunek ceny do zysku dla obu towarów wynosi: A5,5 B5 C3,2 D4

40 Kiedy jaka średnia Jeśli zmiana procentowa danej zmiennej wyniosła w roku x: 50% a w roku x+1: -33,33% (obie wartości w stosunku do roku poprzedniego), to średnia roczna zmiana procentowa tej zmiennej wynosi około: A 8,33% B 0% C16,67% D-8,33% Cena towaru x i cena towaru y jest równa i wynosi 10 złotych. Stosunek ceny do zysku dla towaru x wynosi 8:1 a dla towaru y wynosi 2:1. Wobec tego średni stosunek ceny do zysku dla obu towarów wynosi: A5,5 B5 C3,2 D4 Średnia geometryczna Średnia harmoniczna


Pobierz ppt "Badania operacyjne Jeśli dzisiaj jest choć w połowie tak dobre, jak jutro ma być, to prawdopodobnie będzie dwa razy lepsze niż wczoraj Norman Augustine."

Podobne prezentacje


Reklamy Google