На данном графике мы наблюдаем фиксированную линию тренда и характерные колебания с постоянной периодичностью, что позволяет нам сделать вывод о наличии в данных сезонной составляющей. Очевидно при этом, что сезонный лаг будет равен 12, так анализируются помесячные данные.
Но визуального восприятия недостаточно, для более точного определения признаков сезонности обратимся к анализу функции автокорреляции. Мы получим следующий график.
Как показано на графике наиболее статистически значимые параметры имеются на 1, 12, 24, 36 лагах, поэтому можно сделать вывод о сезонности исходных данных.
В нашем случае нам следует применять аддитивную модель. Напомним, что аддитивная модель применима в тех случаях, когда временной ряд имеет одинаковые изменения на всем протяжении. Т.е. сезонные отклонения от линии тренда имеют фиксированный, абсолютный характер, что мы имеем в нашем случае.
В продолжении анализа мы находим сезонные коэффициенты (подробнее в таблице 2 сезонные факторы) и сглаженную трендово-циклическую компоненту.
Сезонные коэффициенты одинаковы для одинаковых месяцев всех лет. Поэтому нам нужно выбрать только те коэффициенты, которые нам требуются для дальнейшего анализа.
Их графическое отображение выглядит следующим образом:
С помощью этого графика мы хорошо видим характер сезонности.
Наблюдается некоторый спад объемов производства продукции в первые месяцы. Объем начинает расти с сентября. Резкий рост в конце года, в декабре, объясняется тем, что на данный период приходится окончание роста и взросления птицы и животных, что резко увеличивает их предложение.
Для трендово-циклической компоненты, используя графический блок (линейные графики), подбираем наиболее подходящую модель, описывающую цикличность. В нашем случае мы применили полиномиальный тип графика:
 |
Так как мы определили данную прогнозируемую модель как аддитивную, то для получения прогноза необходимо суммировать полученные сезонные коэффициенты и тренд. В результате этого мы получаем прогноз на конец 2006 года до 2008 года (см. полученные данные в таблице 2. – Прогноз).
Но простого построения прогноза недостаточно, для того чтобы убедиться в достоверности полученных данных необходимо проанализировать ошибки прогноза.
Итак,
MAD = 13.77 (тыс. тонн)
MSE = 314.16
MAPE = 0.02%
MPE = -0.00052%
Показатели ошибок довольно не очень большие. В принципе, модель вполне адекватно отражает действительные значения. Поэтому полученные данные можно использовать в процессе управления данной отраслью.
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.