Сезонные временные ряды
Контрольная работа - Менеджмент
Другие контрольные работы по предмету Менеджмент
µль.
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.