Składowe modelu Wintersa

Slides:



Advertisements
Podobne prezentacje
Modele szeregów czasowych z tendencją rozwojową
Advertisements

Badania statystyczne Wykłady 1-2 © Leszek Smolarek.
Test zgodności c2.
PROGNOZOWANIE dr Tomasz Głuszkowski
dr Małgorzata Radziukiewicz
Dr inż. Iwona Staniec Zarządzanie zapasami Dr inż. Iwona Staniec
Narzędzia analizy ekonomicznej
Treść wykładu Wstęp Przewidywanie - prognoza Klasyfikacja prognoz
Analiza szeregów czasowych
Wyrównywanie szeregów czasowych
CECHY CHARAKTERYSTYCZNE SZEREGU CZASOWEGO SZEREG CZASOWY jest zbiorem obserwacji zmiennej, uporządkowanych względem czasu (dni,
Dr inż. Bożena Mielczarek
Analiza techniczna wykład 2
Instrumenty o charakterze własnościowym Akcje. Literatura Jajuga K., Jajuga T. Inwestycje Jajuga K., Jajuga T. Inwestycje Luenberger D.G. Teoria inwestycji.
Prognozowanie i symulacje
Ekonometria prognozowanie.
Metody ekonometryczne
Universal and Nonuniversal Properties of Cross Correlation in Financial Time Series Vasiliki Plerou, Parameswaran Gopikrishnan, Bernd Rosenow, Luı´s A.
Prognozowanie i symulacje
Prognozowanie na podstawie sezonowych szeregów czasowych
Prognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie szeregów czasowych
Analiza szeregów czasowych
Prognozowanie na podstawie szeregów czasowych
Wprowadzenie do statystycznej analizy danych (SPSS)
Prognozowanie i symulacje (semestr zimowy)
Alfred Stach Instytut Geoekologii i Geoinformacji
Dopasowanie modelu autoregresji i predykcja stanów wody w Odrze (posterunek wodowskazowy Trestno) Tomasz Niedzielski.
Analiza szeregów czasowych
Hipotezy statystyczne
Liniowy Model Tendencji Rozwojowej Szeregów Czasowych
czyli jak analizować zmienność zjawiska w czasie?
i jak odczytywać prognozę?
Jak mierzyć i od czego zależy?
Ekonometria. Co wynika z podejścia stochastycznego?
Analiza szeregów czasowych
Średnie ruchome.
1 Kilka wybranych uzupełnień do zagadnień regresji Janusz Górczyński.
Prognozowanie i symulacje
Finanse 2009/2010 dr Grzegorz Szafrański pokój B106 Termin konsultacji poniedziałek:
Wahania sezonowe. Metoda wskaźników sezonowości.
Model cyklu realnego.
Procesy dynamiczne w gospodarce
Przedmiot: Ekonometria Temat: Szeregi czasowe. Dekompozycja szeregów
Dopasowanie rozkładów
Dynamika zjawisk. Analiza sezonowości dr hab. Mieczysław Kowerski
Modele zmienności aktywów
Analiza techniczna wykład 2
Składowe szeregu czasowego
Dynamika zjawisk. Tendencja rozwojowa dr hab. Mieczysław Kowerski
MODELOWANIE ZMIENNOŚCI CEN AKCJI
Dr Ewelina Sokołowska, UG prof. dr hab. Jerzy Witold Wiśniewski, UMK
METODA OPERACYJNEGO PROGNOZOWAN IA WIELKOŚCI POPYTU UWZGLĘDNIAJĄCA DETERMINANTY RYNKU Doktorant: mgr inż. Łukasz Mach Warszawa 2005 Promotor: prof. dr.
METODY PROGNOZOWANIA SPRZEDAŻY W PRZEDSIĘBIORSTWIE Opole 2006 Politechnika Opolska Instytut Inżynierii Produkcji Dr inż. Łukasz MACH.
Statystyczna analiza danych w praktyce
Model trendu liniowego
Prognozowanie wahań sezonowych Metoda wskaźników sezonowości.
STATYSTYKA – kurs podstawowy wykład 13 dr Dorota Węziak-Białowolska Instytut Statystyki i Demografii.
Badanie dynamiki zjawisk dr Marta Marszałek Zakład Statystyki Stosowanej Instytut Statystyki i Demografii Kolegium Analiz.
Treść dzisiejszego wykładu l Szeregi stacjonarne, l Zintegrowanie szeregu, l Kointegracja szeregów.
Modele nieliniowe sprowadzane do liniowych
Ekonometria Wykład III Modele wielorównaniowe dr hab. Mieczysław Kowerski.
STATYSTYKA – kurs podstawowy wykład 11
Treść dzisiejszego wykładu l Metoda Najmniejszych Kwadratów (MNK) l Współczynnik determinacji l Koincydencja l Kataliza l Współliniowość zmiennych.
Rozpoczęcie procesu tworzenia prognoz metodą trybu uproszczonego.
WAHANIA KONIUNKTURANE
EKONOMETRIA Wykład 1a prof. UG, dr hab. Tadeusz W. Bołt
Analiza szeregów czasowych
Badanie dynamiki zjawisk
Zapis prezentacji:

Składowe modelu Wintersa Ft – oszacowanie części stałej szeregu podlegającej wahaniom przypadkowym, St – oszacowanie części przyrostowej szeregu, również podlegającej wahaniom przypadkowym, Ct – oszacowanie części sezonowej trendu, też nastawionej na działanie czynnika losowego, Yt – wartości empiryczne szeregu w okresach od 1 do t, Yt* – wartości teoretyczne szeregu wygładzonego. Stałe wygładzania: 0  , ,   1 Dodatkowe oznaczenie: r - liczba sezonów w jednym cyklu

Addytywny model Wintersa

Multiplikatywny model Wintersa

Prognoza dla modelu Wintersa w okresie T > t Dla modelu addytywnego: YT* = Ft + (T-t) • St + Ct-r Dla modelu multiplikatywnego: YT* = [Ft + (T-t)St] • Ct-r Wartości początkowe: Ct = 0 dla addytywnego i Ct = 1 dla multiplikatywnego