Презентация на тему "Прогнозирование. Адаптивные модели Хольта и Брауна. Примеры применения моделей Брауна( М1,М2)."

Презентация: Прогнозирование. Адаптивные модели Хольта и Брауна. Примеры применения моделей Брауна( М1,М2).
Включить эффекты
1 из 74
Ваша оценка презентации
Оцените презентацию по шкале от 1 до 5 баллов
  • 1
  • 2
  • 3
  • 4
  • 5
0.0
0 оценок

Комментарии

Нет комментариев для данной презентации

Помогите другим пользователям — будьте первым, кто поделится своим мнением об этой презентации.


Добавить свой комментарий

Аннотация к презентации

Смотреть презентацию онлайн с анимацией на тему "Прогнозирование. Адаптивные модели Хольта и Брауна. Примеры применения моделей Брауна( М1,М2).". Презентация состоит из 74 слайдов. Материал добавлен в 2017 году.. Возможность скчачать презентацию powerpoint бесплатно и без регистрации. Размер файла 0.69 Мб.

  • Формат
    pptx (powerpoint)
  • Количество слайдов
    74
  • Слова
    другое
  • Конспект
    Отсутствует

Содержание

  • Презентация: Прогнозирование. Адаптивные модели Хольта и Брауна. Примеры применения моделей Брауна( М1,М2).
    Слайд 1

    Прогнозирование. Адаптивные модели Хольта и Брауна. Примеры применения моделей Брауна( М1,М2).

    Экономическое прогнозирование

  • Слайд 2

    Содержание

    Функции тренда. Виды моделей. (4) Системы нормальных уравнений и их решения (9). Адаптивные модели (25). Модели Хольта (34) и Брауна М1 (39) . Пример построения модели Брауна М1 (41). Построение модели Брауна М2 (49). Ошибка прогноза (54). Пример построения модели М2 (60). Ошибка прогноза (71).

  • Слайд 3

    Пример. Объемы привлечения средств

  • Слайд 4

    Функции тренда

    Параметры уравнений функции тренда находят с помощью теории корреляции методом наименьших квадратов. Наиболее распространенными в экономике являются следующие регрессионные моделидолговременных составляющих аналитической модели 4.13 ряда динамики (функции тренда)

  • Слайд 5

    Линейная модель (4.13) Степенная модель (4.14) Параболическая модель (4.15)

  • Слайд 6

    Models

    4.Показательная модель (4.16)

  • Слайд 7

    5.Смешанная модель 6.В некоторых случаях применяют более сложные виды зависимостей между y и r

  • Слайд 8

    Значения параметров

    Значения параметров уравнений 4.13-4.19 регрессии находят с помощью метода наименьших квадратов, решая систему нормальных уравнений. Приведем системы нормальных уравнений для некоторых из перечисленных моделей:

  • Слайд 9

    Системы нормальных уравнений. Линейная модель.

  • Слайд 10

    Система нормальных уравнений для линейной модели

  • Слайд 11

    Нормальные уравнения. Степенная модель

  • Слайд 12

    Нормальные уравнения. Параболическая модель.

  • Слайд 13

    Система нормальных уравнений для показательной модели (4.16)

  • Слайд 14

    Пример 4.12. Найти функцию тренда

    Для данных из примера 4.7. найти вид уравнения функции тренда в предположении: а) линейной б) параболической в) показательной моделей Напомним объемы привлечения средств за последние 12 месяцев и произведем все необходимые вычисления для решения систем нормальных уравнений для перечисленных моделей.

  • Слайд 15

    Объемы привлечения средств

  • Слайд 16
  • Слайд 17
  • Слайд 18
  • Слайд 19
  • Слайд 20
  • Слайд 21

    Решение показательной модели

  • Слайд 22
  • Слайд 23
  • Слайд 24
  • Слайд 25

    3. Адаптивные модели

    Рассмотренные регрессионные модели не могут приспосабливаться, адаптироваться к новым условиям по мере изменения факторных признаков. Кроме того при прогнозировании имеет место фактор обесценения старой информации по мере поступления новой.

  • Слайд 26

    Основные понятия

    Например. Система находится в некотором состоянии для определения текущего значения параметров. На их основе осуществляется прогнозy* на h шагов. Через h шагов становится известным фактическое значение прогнозируемого признака yi и величина его отклонения от теоретического (расчетного).

  • Слайд 27
  • Слайд 28

    Это отклонение учитывают при прогнозировании на h+hiшаг в соответствии с правилом перевода модели из одного состояния в другое. Процесс продолжается до тех пор. Пока параметры модели не позволят с максимальной точностью определить последнее значение уровня эмпирического ряда динамики.

  • Слайд 29

    Кроме коэффициентов уравнения модели и h используют параметр α , называемый коэффициентом дисконтирования данных. Он изменяется в пределах от 0 до 1. Вместе с α используется также коэффициент сглаживания β=1-α

  • Слайд 30

    Основные понятия. Коэффициент дисконтирования.

    Расчет выполняются двумя способами. По первому способу: При этом 10

  • Слайд 31

    Основные понятия

    Согласно второму способу берут несколько коэффициентов дисконтирования и для одной обучающей выборки устанавливают вид моделей. Для каждой из них рассчитывают величину средней ошибки аппроксимации Выбирают такое значение α , которому соответствует

  • Слайд 32

    Все адаптивные модели базируются на двух схемах: Авторегрессии (АР – модели) Скользящего среднего (СС – модели) В авторегрессионных моделях оценкой текущего уровня является взвешенная сумма не всех, а нескольких предшествующих уровней. Информационная ценность наблюдений обуславливается не их близостью к моделируемому уровню, а теснотой связи между ними.

  • Слайд 33

    В схеме скользящей средней оценкой текущего уровня являются взвешенные средние всех предыдущих уровней. Информационная ценность наблюдений признается тем больше, чем ближе они находятся к концу интервала наблюдений. Наибольшее распространение получили - СС модели

  • Слайд 34

    3а.Модели Хольта и Брауна.

    В практике статистического прогнозирования наиболее часто используют три модели скользящего среднего ( СС – модели): Модель Хольта Модель М1 Брауна Модель М2 Брауна

  • Слайд 35

    Модель Хольта

    Модель Хольта представляет тенденцию развития признака ( в нашем случае – значений уровней ряда динамики) как линейную тенденцию с постоянно меняющимися параметрами. Прогнозную оценку вычисляют в момент времени tна h шагов вперед с помощью модели:

  • Слайд 36
  • Слайд 37

    Где β1 и β2 - коэффициенты сглаживания ε(t) - величина отклонения (4.45)

  • Слайд 38

    Начальные значения a(0) и b(0) находят методом наименьших квадратов (например по первым значениям уровней ряда динамики.)

  • Слайд 39

    Модель М1 Брауна

    Она предназначена для нахождения параметров модели вида

  • Слайд 40

    Начальные значения a и bопределяются также, как и в модели Хольта т.е. методом наименьших квадратов по первым значениям уровней ряда динамики, а ε(t) опять определяем по формуле т.е. как разность фактического и прогнозного значений

  • Слайд 41

    4. Построение модели М1 (183)

    Пример 4.33 По данным примера 4.7.: 1)построить модель М1; 2) произвести точечный прогноз значения уровня ряда динамики (объем привлеченных средств) на февраль 2008 года Поскольку значения уровней рассматриваемого ряда динамики отстоят один от другого на один месяц h=1

  • Слайд 42
  • Слайд 43
  • Слайд 44
  • Слайд 45
  • Слайд 46
  • Слайд 47
  • Слайд 48

    Точечный прогноз (185)

  • Слайд 49

    5.Модель М2 (185 4.48)

    Для построения модели М2 применяют рекуррентную формулу для нахождения экспоненциальной средней к - го порядка:

  • Слайд 50

    М2 4.49

    Начальное значение

  • Слайд 51

    Тренд линейный. М2

    Если тренд, наиболее точно описывающий эмпирические данные, линейный с уравнением 4.13 то

  • Слайд 52

    Параболический тренд

  • Слайд 53

    Уравнение адаптивной модели М2 в линейном виде

    В линейном случае уравнение адаптивной модели М2 есть (4.46){y(t+h)=a(t)h+b(t)} вкоторой:

  • Слайд 54

    Коэффициенты линейной модели М2

    В линейном случае уравнение адаптивной модели М2. есть (4.46), в которой

  • Слайд 55

    Ошибка прогноза

  • Слайд 56

    Параболическая модель М2

  • Слайд 57

    Параболическая модель

  • Слайд 58

    Параболическая модель М2

  • Слайд 59
  • Слайд 60

    (Пример 4.34.) 6.Построить адаптивную модельМ2

  • Слайд 61

    Пример. Линейная модель. f1(t)= -0,0009t +1,1526

  • Слайд 62

    Линейная модель тренда

  • Слайд 63

    Экспоненциальная средняя первого порядка

  • Слайд 64

    Учитывая имеющуюся линейную модель

  • Слайд 65

    из 4.20

    Т.е. прогнозную оценку в момент времениt на h шагов вычисляют с помощью модели: y(t+h) =a(t)h

  • Слайд 66

    Из 4.50. если тренд линейный, то

  • Слайд 67

    Экспоненциальная средняя второго порядка

  • Слайд 68

    Расчет коэффициентов

    Согласно 4.51

  • Слайд 69

    Из 4.51

    В линейном случае уравнение адаптивной модели М2 есть y(t+h)=a(t)h+b(t) В которой

  • Слайд 70

    4.46

    Т.е. прогнозную оценку в момент времени t на h шагов вычисляют с помощью модели: y(t+h) =a(t)h

  • Слайд 71
  • Слайд 72
  • Слайд 73
  • Слайд 74
Посмотреть все слайды

Сообщить об ошибке