Приклад розв’язання задачі 4

Розглянемо приклад виконання прогнозування методом аналізу часових рядів, заснованого на екстраполяції.

Нехай тижневі обсяги випуску продукції виробничої компанії постійно зростають. Значення цього показника наведені в табл. 5.3. Необхідно зробити прогноз обсягів випуску продукції на три тижні вперед.

Методичні рекомендації.

Заповнимо робочий лист електронної таблиці редактора Excel вихідними даними про щотижневі об’єми випуску продукції.

Після введення початкових даних побудуємо графік залежності об'єму випуску продукції від часу, відміреного в тижнях.

Таблиця 5.3 – Дані про щотижневі об’єми випуску продукції

Далі апроксимуємо отриману криву спочатку за допомогою лінійної залежності, виконуючи наступну послідовність дій:

• встановимо курсор миші в межах побудованої діаграми, перейдемо в меню «Діаграма» і виберемо команду «Додати лінію тренда»;

На екрані з'явиться вікно вибору лінії тренда. Виконаємо налаштування лінії тренда таким чином:

• виберемо у вкладці «Тип» лінійну апроксимацію;
• у вкладці «Параметри» встановимо ознаки «показувати рівняння на діаграмі» і «показувати величину достовірності апроксимації (R^2) на діаграмі»;
• для прогнозування об’ємів випуску продукції на три тижні вперед у вкладці «Параметри» додатково встановимо ознаку «Прогноз вперед на 3 періоди»;
• натиснемо на кнопку «OK».

Результат введення початкових даних і лінійної апроксимації з відображенням фактичних і прогнозованих об’ємів випуску продукції, показаний на рис. 5.13. Таким чином, отримано наступну лінійну апроксимуючу функцію:

y =10,059 x +38,129

де в даному випадку x – це час в тижнях, а у – об’єм випуску продукції за тиждень.

Отримане лінійне рівняння – це найбільш простий результат процесу апроксимації. Цей процес носить назву побудови лінійної регресії, а розрахований в результаті апроксимації коефіцієнт рівняння при змінній x – коефіцієнтом регресії.

Для визначення тісноти зв'язку між змінними x і у лінійної регресії існує показник R², який називається коефіцієнтом детермінації або величиною достовірності апроксимації. Чим ближче він до одиниці, тим тісніший зв'язок, тобто, тим сильніше змінна x пов'язана із змінною у. При R²= 1 має місце функціональна залежність між змінними, а при R²= 0 зв'язок між змінними повністю відсутній. Вважається, що якщо виконується умова R² ≥0,5, то змінні лінійної регресії корелюють між собою, і її результати можуть застосовуватися при дослідженні реальних процесів.

Таким чином, коефіцієнт детермінації є оцінкою надійності отриманої регресійної залежності, що дуже важливо для розуміння адекватності побудованої моделі реальному економічному процесу. У розглянутому нами прикладі величина достовірності апроксимації виявилась рівною R²= 0,9701.

Однак, як вказувалось раніше, припущення про лінійний характер тренду може виявитися помилковим, а застосування лінійної функції може привести до значних похибок прогнозування. Тому виникає необхідність у пошуку інших, нелінійних функцій регресії, і вибору з них такої функції, яка б забезпечила максимальне наближення показника (в даному випадку – об’єму випуску продукції) до фактичних значень часового ряду з табл. 5.3.

Як і раніше, критерієм, який може бути застосований в якості міри правильності вибору функції регресії, є коефіцієнт детермінації R², значення якого повинно бути максимально наближене до одиниці. Однак при цьому слід пам’ятати, що виходячи з загально прийнятих вимог до точності і складності моделей економічних процесів, такі моделі не повинні бути надмірно складними для сприйняття і застосування на практиці.

Для пошуку оптимальної функцій регресії додатково апроксимуємо побудований раніше часовий ряд об’ємів випуску продукції за допомогою різних, наявних в Excel, нелінійних залежностей (логарифмічної, поліноміальної, степеневої та експонентної), визначаючи для кожної з цих залежностей величини достовірності апроксимації R².

Рисунок 5.13 – Результати лінійної апроксимації з прогнозуванням

Отримуємо наступні результати:

1) Логарифмічна апроксимація: y =84,157 Ln(x) -24,37, R² =0,8149.

2) Поліноміальна апроксимація при n =2: y =-0,0091 x² +10,304 x +36,987, R² =0,9702;

поліноміальна апроксимація при n =3: y =-0,0134 x^{3 +}0,5329 x² +4,3398 x +51,655, R² =0,9735.

3) Степенева апроксимація: y =36,389 x^0,6115, R² =0,8812.

4) Експонентна апроксимація: y =61,82 e^{0 , 0675x} , R² =0,8941.

Отже, можна зробити висновок про те, що лінійна апроксимації дає одне з найкращих наближень прогнозованих результатів до їх фактичних значень, лише трохи поступаючись в точності поліноміальній апроксимації. Однак, враховуючи простоту й наочність лінійної регресійної моделі, вона може бути вибрана в якості оптимальної моделі прогнозування об’ємів випуску продукції.

Тепер, використовуючи отримане за допомогою Excel оптимальне лінійне рівняння тренду, можна передбачити, що в наступні три тижні після базового періоду виробництва, тобто на 27-му, 28-му і 29-му тижнях, очікуються об’єми випуску продукції, відповідно, 310, 320 і 330 тисяч штук. Для цього достатньо підставити ці три значення прогнозованого періоду часу в отриману лінійну апроксимуючу функцію і розрахувати відповідні значення об’ємів у, або визначити їх графічно за допомогою графіка на рис. 5.13.

Таким чином, Excel дозволяє не лише визначати аналітичну залежність між таблично заданими даними, але і передбачати тенденцію їх зміни.

Поиск по сайту: