Анализ и планирование хозяйственной деятельности ОАО "Приморское агентство авиационных компаний"
Отчет по практике - Менеджмент
Другие отчеты по практике по предмету Менеджмент
исывает ряд и ее можно назвать адекватной. Выполним экспоненциальное сглаживание модели №973.
Рисунок 8. - Экспоненциальное сглаживание модели №973
По данному графику также заметен рост спроса на полиса РСТК. Прогнозные значения представлены в таблице:
Таблица 5
№Значение№Значение671477721537681472731518691516741513701497751557711493761538
Значения ошибок для построенной модели следующие:
Таблица 6
Итоговая ошибкаОшибкаСредн. ош.-1,58976437Ср. абсол. ошибка184,20905129Суммы квадратов3604973,05050938Ср. квадрат54620,80379560Средн. относ. ошибка-7,38398459Ср. абс. отн. ошибка25,59570815
Определим, является ли построенная модель адекватной. Для этого построим график ЧАКФ остатков экспоненциального сглаживания, гистограмму и нормальный вероятностный график.
Рисунок 9. - АКФ
Судя по графику АКФ ненулевым является только значение с лагом 2, остальные коэффициенты корреляции незначимы.
Рисунок 10. - Гистограмма остатков
Распределение остатков экспоненциального сглаживания близко к нормальному.
Рисунок 11. - Нормально вероятностный график
Распределение остатков близко к белому шуму. Модель можно назвать адекватной.
Построенные мультипликативные модели с трендом и сезонной компонентой дали худшие результаты. Следовательно, выбор осуществляется из двух аддитивных моделей. Так как АКФ модели 568 (№1) является белым шумом и распределение остатков более приближено к нормальному, следовательно, выберем ее, в качестве наиболее лучше описывающей временной ряд.
.2 Модели АРПСС
Для построения модели АРПСС используем те же данные (количество проданных полисов РСТК). Известно, что ARIMA модели можно построить только для стационарных рядов. Чтобы проверить данный временной ряд на стационарность, вернемся к графику полисов РСТК (Рисунок 1).
Очевидно, что ряд для построения ARIMA модели ряд необходимо преобразовать, так он не является стационарным. Прологарифмируем его, чтобы снизить гетероскедастичность, и возьмём разность, чтобы убрать тренд.
Рисунок 12. - Преобразованный ряд
С помощью преобразования удалось исключить тренд. И сделать исходный ряд более однородным. Построим гистограмму, чтобы определить, является ли распределение преобразованного ряда нормальным.
Рисунок 13. - Гистограмма преобразованного ряда
Распределение ряда близко к нормальному, следовательно, ряд близок к стационарному, и для него можно построить ARIMA модель. Чтобы подобрать параметры модели построим ЧАКФ и АКФ преобразованного ряда.
Рисунок 14. - АКФ преобразованного ряда
По графику автокорреляционной функции видно, что кроме второго все коэффициенты корреляции являются нулевыми.
Рисунок 15. - ЧАКФ преобразованного ряда
В ЧАКФ и АКФ заметны пики только на вторых лагах, в остальном обе функции представляют из себя белый шум. Следовательно, в ARIMA модели присутствуют два параметра авторегрессии () и два параметр скользящего среднего (). Возможны несколько вариантов сезонных параметров:
Выберем наилучшую модель, сравнив их среднеквадратические ошибки. Ошибка первой модели принимает наименьшее значение, её и будем рассматривать далее.
Переменная: VAR1
Преобразования: ln(x), D(1)
Модель: (2,1,2)
Число набл.: 65 Начальная SS=7,7658 Итоговая SS=6,5106 (83,84%) MS= 10673
Параметры (p/Ps - авторегрессии, q/Qs - скольз. средн.); выделение: p<.05(1) p(2) q(1) q(2)
Оценка: -,4063,04412 -,2332,48273
Ст. ошиб.: 24837, 23152, 20806, 18795
Представим график ряда и прогнозов:
Рисунок 16. - График ряда и прогнозов
Прогнозные значения представим в таблице.
Таблица 7
№ наблюденияПрогнозНижний 90%Верхний 901440,639834,79542486,166681467,590722,94322979,239691454,891686,57553082,995701461,232643,97763315,642711458,093611,90363474,462721460,648581,08613666,534731482,878554,21663840,238741470,259529,38904022,442751459,070506,83884200,320761466,164486,01634380,838
Для определения адекватности модели необходимо оценить остатки, построив гистограмму и нормальный вероятностный график.
Рисунок 17. - Гистограмма остатков
Распределение приближено к нормальному.
Рисунок 18. - Нормально вероятностный график
Судя по вероятностному графику, распределение остатков имеет отклонения от нормального распределения, следовательно, однозначно о нормальности остатков судить нельзя. Используем для оценки адекватности построенной ARIMA модели автокорреляционную функцию, чтобы определить, существует ли корреляционная зависимость между остатками.
Рисунок 19. - АКФ остатков
По графику видно, что распределение остатков является белым шумом, следовательно, параметры подобраны хорошо и полученная ARIMA модель является адекватной.
Стоит заметить, что на практике не всегда удается спрогнозировать значение экономического показателя с помощью АРПСС моделей.
5. Факторный анализ выручки
авторегрессия эконометрический моделирование выручка
В данном разделе хотелось бы сделать анализ с применение одного из методов элиминирования. Элиминирование - логический прием, при помощи которого условно устраняется воздействие на обобщающий показатель всех факторов, за исключением одного, влияние которого на изучаемый объект и определяется. Расчленяя обобщающие показатели на частные, создаем систему взаимосвязанных показателей. Использование этого приема позволяет последовательно исключать влияние к?/p>