Ex post прогнозы для второй группы данных




Тестирование трендовых моделей с помощью ex post прогнозирования

 

Одной из характеристик, отражающих точность, с которой модель описывает процесс, является коэффициент детерминации R 2.

При этом естественно нет никакой гарантии, что даже при значении R 2, близком к единице, такая модель будет давать хорошие прогнозы. Могут произойти какие-нибудь структурные изменения в самой организации или во внешних экономических или других условиях (например, изменения в налогообложении). Поскольку подобные изменения происходят постоянно, необходимо узнать, как выбранная модель реагировала бы на них в прошлом. Это и есть идея ex post прогнозирования.

 

С этой целью исходные данные разбиваются на две группы, так чтобы во второй группе находились более поздние данные, составляющие обычно примерно 15% всей информации. Эти данные будут затем использоваться для тестирования. При небольшом объеме исходных данных во второй группе можно рассматривать до 30% исходной информации.

Рис.1. Ex post прогнозирование

Пример: Известны объемы продаж компании за 17 кварталов.

Таблица 1

Исходные данные

Квартал t Объем продаж, тыс.грн.
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   

Разобьем данные в табл. 1. следующим образом. К первой группе отнесем данные за первые 13 кварталов А ко второй группе — данные за оставшиеся четыре квартала (т. е. с 14-го по 17-й квартал).

 

Следующую процедуру можно охарактеризовать как имитацию процесса прогнозирования: мысленно перенесемся на год назад относительно времени самого последнего значения и начнем прогнозировать так, как если бы сейчас был конец 13-го квартала. Прогнозы, полученные таким образом, называются ex post прогнозами.

 

При этом каждый раз сравниваются полученные значения с имеющейся информацией. В этом как раз и состоит главное преимущество ex post прогнозирования. При обычном прогнозировании такой возможности нет.

Алгоритм Ex post прогнозирования:

1. Находим трендовую модель для первых 13 кварталов.

2. Из уравнения определяем прогноз на 14-й квартал.

3. Сравниваем полученный прогноз с имеющейся информацией за 14-й квартал. Находим ошибку.

4. Повторяем пункты 1–3 последовательно для первых 14, 15 и 16 значений.

 

В результате мы получаем таблицу, содержащую ex post прогнозы и соответствующие ошибки для последних четырех кварталов (табл..2).

Таблица 2

Ex post прогнозы для второй группы данных

Исходная группа Уравнение тренда Ex post прогноз на следующий квартал Исходные данные   Ошибка (абсолютная) Sабс
Первые 13 кварталов ŷ = 196,31 + 5,824 t (на 14-й квартал) ŷ = 277,85 y 14 = 265 -12,85
Первые 14 кварталов ŷ = 198,14 + 5,457 t (на 15-й квартал) ŷ = 280 y 15 = 268 -12
Первые 15 кварталов ŷ = 199,74 + 5,157 t (на 16-й квартал) ŷ = 282,25 y 16 = 270 -12,25
Первые 16 кварталов ŷ = 201,27 + 4,887 t (на 17-й квартал) ŷ = 284,35 y 17 = 248 -36,35

Ex post прогноз на 16-й квартал (см. 3-ю строку табл. 2) получается, например, следующим образом: определяем с помощью какого-нибудь статистического пакета уравнение тренда для первых 15 кварталов. В полученное уравнение ŷ = 199,74 + 5,157 t подставляем t = 16. Получаем значение 282,25 и сравниваем его с исходным значением, равным 270. Полученная ошибка S = –12,25.

Абсолютная среднеквадратическая ошибка равна::

 

 

Проанализируем результаты работы: Если посмотреть на 2-й столбец табл. 2, то можно увидеть, что уравнение линии тренда каждый раз менялось. В этом нет ничего удивительного, поскольку уравнение линии тренда определяется полным набором данных. При изменении этого набора естественно изменялось и само уравнение.

В процессе ex post прогнозирования, добавляя новые данные, мы каждый раз получали другое уравнение!

 

Вся проблема заключается в том, насколько значительной была тенденция к изменению уравнения тренда, т. е. насколько стабильными оказались коэффициенты линейной модели при изменении набора данных. Проследим динамику изменения коэффициентов уравнений тренда.

Таблица 3

Динамика изменения коэффициентов уравнений тренда

Исходная группа a b
Первые 13 кварталов 196.31 5,824
Первые 14 кварталов 198.14 5,457
Первые 15 кварталов 199.74 5,157
Первые 16 кварталов 201.27 4,887

 

 

По данным таблицы 3 видно, что, в то время как коэффициенты a возрастают, коэффициенты b убывают. Это означает, что каждый раз при добавлении нового значения прямая линия становится более пологой, т. е. происходит замедление роста данных. В таком случае прогнозист, должен испытать на ex post другую модель, которая отображала бы процесс замедления роста, например квадратичную или логарифмическую.

 

 



Поделиться:




Поиск по сайту

©2015-2024 poisk-ru.ru
Все права принадлежать их авторам. Данный сайт не претендует на авторства, а предоставляет бесплатное использование.
Дата создания страницы: 2016-04-11 Нарушение авторских прав и Нарушение персональных данных


Поиск по сайту: