O
KRES PROGNOZY I HORYZONT PROGNOZYKażda prognoza gospodarcza jest stawiana na pewien ściśle określony czas w przyszłości. Okres, którego dotyczy sporządzana prognoza nazywa się okresem prognozy. Długość okresu prognozy zależy od dwóch podstawowych czynników:
• od charakteru prognozowanego zjawiska oraz
• od praktycznych potrzeb prognozowania.
O
KRES PROGNOZY I HORYZONT PROGNOZYKażda prognoza gospodarcza musi być konkretna w tym sensie, że okres prognozy powinien być ściśle zdefiniowany.
Niedopuszczalne jest bowiem formułowanie prognoz odnoszących się do przyszłości “w ogóle”.
Liczba jednostek czasu, jaka upływa od teraźniejszości do okresu prognozowania nazywa się wyprzedzeniem prognozy.
O
KRES PROGNOZY I HORYZONT PROGNOZYAby zdefiniować pojęcie horyzontu należy wyjść od pojęcia prognozy dopuszczalnej.
Prognozą dopuszczalną jest taka prognoza, która w świetle przyjętego kryterium może być uznana za dostatecznie dokładną lub wiarygodną.
O
KRES PROGNOZY I HORYZONT PROGNOZYHoryzontem prognozy jest najdłuższy okres lub moment w przyszłości, w którym prognoza jest dopuszczalna w świetle przyjętego kryterium.
O
KRES PROGNOZY I HORYZONT PROGNOZYDla formalnego zapisu horyzontu prognozy przyjmiemy następujące oznaczenie:
n – ostatni okres, dla którego dysponuje się danymi statystycznymi dotyczącymi rzeczywistych realizacji zmiennej prognozowanej,
– przedział czasu oddzielający okres n od najdalszego okresu w przyszłości, dla którego prognoza jest dopuszczalna,
T – okres prognozy.
O
KRES PROGNOZY I HORYZONT PROGNOZYHoryzontem prognozy jest taki przedział czasowy n, n+, w którym dla każdego okresu t = n+1, ..., n+ można w sposób uzasadniony sporządzać dopuszczalne prognozy badanego zjawiska.
O
KRES PROGNOZY I HORYZONT PROGNOZYDopuszczalne są więc prognozy dla takich okresów T, które nie wybiegają poza okres n+.
Długość horyzontu prognozy zależy od szeregu czynników, przede wszystkim:
charakteru obiektu prognozy,
wybranego modelu prognostycznego,
zastosowanej metody prognozowania.
Prognoza jest naukowo uzasadnionym sądem o stanie zjawiska w określonym momencie (okresie) należącym do przyszłości.
Słowo „sąd” sygnalizuje niepewność prognozy.
Prognoza jest więc sądem o nieznanym.
Sądy bywają fałszywe lub prawdziwe.
D
OKŁADNOŚĆ I TRAFNOŚĆ PROGNOZYO prognozach powiemy, że są:
trafne – gdy okazują się wystarczająco bliskie realizacji prognozowanej zmiennej;
nietrafne (chybione) – gdy rozbieżność prognozy i wielkości prognozowanej okazuje się zbyt wielka jak na nasze potrzeby.
DOKŁADNOŚĆ I TRAFNOŚĆ PROGNOZY
O
CENA DOKŁADNOŚCI PROGNOZYZjawiska i procesy gospodarcze, dla których wyznacza się prognozy, mają zazwyczaj stochastyczny charakter. Dlatego przyjmuje się z góry możliwość wystąpienia odchyleń rzeczywistych wartości zmiennej prognozowanej, jakie się zrealizują w okresie prognozowania, od postawionych prognoz. Jako realne uznaje się więc możliwość powstania błędu prognozy, nazywanego także błędem predykcji.
O
CENA DOKŁADNOŚCI PROGNOZYNiezbędnym staje się więc określenie dokładności prognozy za pomocą odpowiednich mierników, które pozwalają na ustalenie i porównanie rzędu dokładności prognoz. Mierniki te są określane mianem mierników dokładności (trafności) prognoz.
O
CENA DOKŁADNOŚCI PROGNOZY Dwoma podstawowymi rodzajamimierników dokładności i trafności prognoz są:
mierniki dokładności prognoz ex ante,
mierniki dokładności prognoz ex post.
O
CENA DOKŁADNOŚCI PROGNOZYMierniki dokładności prognoz ex ante służą do oceny oczekiwanych wielkości odchyleń rzeczywistych wartości zmiennej prognozowanej od postawionych prognoz.
Wartości tych mierników są podawane w chwili budowy prognoz, dlatego są one sądami, których prawdziwość może być zweryfikowana dopiero po upływie okresu, do którego odnosi się prognozę.
O
CENA DOKŁADNOŚCI PROGNOZYDo oceny trafności prognoz służą mierniki dokładności prognoz ex post, które wyrażają zaobserwowane odchylenia realizacji zmiennej prognozowanej od postawionych prognoz.
dokładność i trafność prognozy
Ocenę dokładności i trafności prognoz dokonujemy stosując:
mierniki dokładności ex post mierniki dokładności ex ante
mierniki
bezwzględne
(zachowujące jednostkę
pomiaru zmiennej prognozowanej)
mierniki względne
(umożliwiające porównanie prognoz uzyskanych różnymi
metodami prognostycznymi)
trafność prognozy
• Trafność prognozy określa się po upływie czasu, na który prognoza była wyznaczona
• Stopień trafności prognozy ilościowej mierzy się za pomocą błędów ex post
• Błąd ex post to wartość odchylenia rzeczywistych realizacji zmiennej
prognozowanej od obliczonych prognoz
• Błędy ex post można obliczać dla każdego momentu lub okresu należącego do
przedziału czasu [n+1,…., ]
Błędy prognoz ex post
• błąd
(ang. error)
• błąd procentowy
(ang. percentage error)
Różnica y - y*
(odchylenie realizacji zmiennej
prognozowanej od
wartości prognozy) jest miarą błędu prognozy dla okresu
*
y y
E = −
% y 100
y PE y
τ
* τ τ
τ
−
=
PE określa, jaki procentrzeczywistej realizacji zmiennej
prognozowanej wynosi błąd prognozy
Błędy prognoz ex-post
Załóżmy, iż wyznaczono m prognoz wartości zmiennej endogenicznej Y* oraz znane są rzeczywiste wartości zmiennej prognozowanej Y dla
= 1, 2, ..., m.
𝑀𝐸 = 1
𝑚
𝜏=1 𝑚
(𝑦𝜏 − 𝑦𝜏∗)
wartość ME powinna być równa zero lub bliska zeru;
średnie obciążenie predykcji przyjmuje wartość zero w przypadku predykcji nieobciążonej;
odchylenia wartości miernika ME od zera świadczą, że zasada predykcji nieobciążonej nie została zachowana;
gdy zaobserwowane odchylenie od zera jest dodatnie, wnioskujemy, że prognozy wygasłe są niedoszacowane;
gdy zaobserwowane odchylenie od zera jest ujemne, wnioskujemy, że prognozy wygasłe są przeszacowane.
średni błąd
(ang. mean error):
Błędy prognoz ex post
• średni procentowy błąd
• (ang. mean percentage error):
MPE informuje, jaki
procent rzeczywistych realizacji zmiennej
prognozowanej stanowią błędy
prognozy w okresie predykcji
m PE MPE
m=
=1 Błędy prognoz ex post
• średni błąd bezwzględny (ang. mean absolute error):
MAE informuje o ile średnio - w okresie predykcji -
rzeczywiste
realizacje zmiennej prognozowanej
będą się odchylać – co do bezwzględnej wartości – od
prognoz
𝑀𝐴𝐸 = 1
𝑚
𝜏=1 𝑚
ห𝑦𝜏 − 𝑦𝜏∗ȁ
Błędy prognoz ex post
• średni bezwzględny błąd procentowy
(ang. mean absolute percentage error):
lub
● MAPE informuje o średniej wielkości błędów prognoz dla okresu = 1, 2, ..., m, wyrażonych w
procentach
rzeczywistych wartości zmiennej
prognozowanej.
● Wartości MAPE
pozwalają porównać dokładność prognoz otrzymywanych
różnych modeli.
𝑀𝐴𝑃𝐸 = 1
𝑚
𝜏=1
𝑚 𝑦𝜏 − 𝑦𝜏∗
𝑦𝜏 ⋅ 100%
𝑀𝐴𝑃𝐸 = 𝑀𝐴𝐸
lj𝑦𝜏∗ ⋅ 100%
Błędy prognoz ex post
• średni błąd predykcji ex post pierwiastek błędu
średniokwadratowego
(ang. root mean square error)
• RMSE mierzy, o ile średnio odchylają się realizacje zmiennej prognozowanej od obliczonych prognoz
• znacząca różnica
wartości między MAE i RMSE wskazuje na
występowanie w okresie prognozy błędów o bardzo
dużych wartościach.
𝑅𝑀𝑆𝐸 = 1
𝑚
𝜏=1 𝑚
(𝑦𝜏 − 𝑦𝜏∗)2
Błędy prognoz ex post
• względny błąd predykcji
• ex post • VRMSE określa, jaki procent
przeciętnej rzeczywistej realizacji
zmiennej
prognozowanej stanowi średni błąd predykcji ex post
100
=
y
V
RMSERMSE
• Ponieważ w chwili wyznaczania prognozy nie jest znana wartość rzeczywista zmiennej prognozowanej błąd
prognozy ex ante może być tylko oszacowany.
• Wartość błędu ex ante przynosi informacje o oczekiwanych przeciętnych odchyleniach realizacji zmiennej
prognozowanej od prognoz w czasie t > n.
• Błąd ex ante służy określeniu dokładności prognozy.
Błędy prognoz ex ante
dopuszczalność prognozy
• Prognoza jest dopuszczalna, gdy jest obdarzona przez jej odbiorcę stopniem zaufania wystarczającym do tego, by mogła być wykorzystana do celu, dla którego została ustalona.
• Dopuszczalność prognozy jest określona w tym samym czasie , w którym wyznacza się prognozę.
Błędy prognoz ex ante
○ średni błąd predykcji ex ante
gdzie:
• S2(e) – wariancja resztowa
• D2(a) – ocena wariancji estymatorów xτ – wektor wartości zmiennych
objaśniających w okresie prognozowania
○ względny błąd predykcji ex ante
● wartość DT przynosi informację o
oczekiwanych przeciętnych
odchyleniach realizacji zmiennej
prognozowanej od
prognoz w czasie t > n
● wartość VT informuje jak wielki będzie w chwili t > n oczekiwany błąd
(odchylenie liczone w procentach wartości prognoz)
𝐷𝑇 = 𝑆2(𝑒) + 𝑥𝑻 𝐷2(𝑎) 𝑥𝑻𝑇
* 100
=
T T
T y
V D
Błędy prognoz ex ante
• Dla modelu trendu liniowego wzór na błąd prognozy ex ante przybiera postać:
= =
=
−
=
−
− + −
+
=
n
t
n
t n
t T
t n t
t t
gdzie
t t
t T
e n S D
1 1
2 2
2
1
2 2
) ( )
( :
) (
) (
1 1 )
(
Kryteria dopuszczalności prognoz
• subiektywne kryteria dopuszczalności formułowane przez odbiorców prognozy;
• prognoza jest dopuszczalna, gdy
spełniona jest jedna z poniższych relacji:
gdzie:
DT* i VT* to progowe (krytyczne) wartości błędów zadane np. przez odbiorcę prognozy
n t
V V
n t
D D
T T
T T
, lub
,
*
*
Kryteria dopuszczalności prognoz
• ● obiektywne – przyjmuje się, że jeżeli
względny miernik dokładności predykcji ex ante (lub ex post) spełnia nierówność:
– DT ≤ 3%, to prognozy są bardzo dokładne;
– 3%< DT ≤ 5%, to prognozy uznajemy za dokładne;
– 5%< DT ≤ 10%, to prognozy mogą być dopuszczalne;
– DT >10%, to prognozy są niedopuszczalne.
UWAGI OGÓLNE
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM ZMIENNEJ PROGNOZOWANEJ
Jeśli w szeregu czasowym występuje składowa systematyczna w postaci stałego (przeciętnego) poziomu i wahania przypadkowe do prognozowania używa się metod naiwnych, metody średniej ruchomej prostej lub ważonej oraz prostego modelu wygładzania wykładniczego.
Budując prognozy na podstawie tych metod, prognosta przyjmuje status quo, postawę pasywną wobec prognozowanego zjawiska oraz wykorzystuje regułę podstawową. Metody te pozwalają na wyznaczenie prognozy na jeden moment / okres.
METODA NAIWNA
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM ZMIENNEJ PROGNOZOWANEJ
Metodę naiwną warto stosować jedynie w przypadku niewielkich wahań przypadkowych. O sile tych wahań informuje wielkość współczynnika zmienności badanego szeregu czasowego.
=
=
−
=
=
=
n
1 t
2 t
n
1 t
t
) y n (y
S 1
n y y 1
y 100%
V S V – współczynnik zmienności
ȳ – średnia arytmetyczna badanej zmiennej
S – odchylenie standardowe
METODA NAIWNA
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM ZMIENNEJ PROGNOZOWANEJ
W modelu naiwnym wykorzystywanym w takich przypadkach konstruuje się prognozę zmiennej na moment lub okres T na poziomie zaobserwowanej wartości tej zmiennej w momencie lub okresie t – 1.
1 t
*
t
y
y =
−gdzie:
y*t – prognoza zmiennej y wyznaczona na moment lub okres t,
yt-1 – wartość zmiennej prognozowanej w momencie lub okresie t-1.
METODA NAIWNA
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM ZMIENNEJ PROGNOZOWANEJ
Do oceny trafności prognozy można wykorzystać:
ET – błąd prognozy (error)
y*T – prognoza zjawiska na okres T yT – poziom zjawiska w okresie T
PET – względny błąd prognozy (percentage error)
* T T
T
y y
E = −
% y 100
y PE y
T
* T T
T
−
=
METODA ŚREDNIEJ RUCHOMEJ PROSTEJ I WAŻONEJ
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM ZMIENNEJ PROGNOZOWANEJ
Modele średniej ruchomej mogą być wykorzystywane zarówno do wygładzania szeregu czasowego, jak i do prognozowania.
W prognostycznym modelu średniej ruchomej przyjmuje się, że prognoza zmiennej na moment lub okres t jest średnią arytmetyczną (w przypadku średniej ruchomej prostej) lub ważoną z k ostatnich obserwacji szeregu.
Stałą wygładzania k oraz wagi wybiera się na podstawie kryterium najmniejszego błędu ex post prognoz wygasłych. Może to być średni bezwzględny (procentowy – względny) błąd lub średni kwadratowy błąd.
METODA ŚREDNIEJ RUCHOMEJ PROSTEJ I WAŻONEJ
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM ZMIENNEJ PROGNOZOWANEJ
Średni bezwzględny (procentowy – względny) błąd ex post (mean absolute percentage error)
MPE y 100%
y y
m MAPE 1
m
1
* =
=
− =
Średni kwadratowy błąd ex post (root mean square error)
SSE )
y m (y
RMSE 1 *τ 2
m
τ 1 τ − =
=
=
METODA ŚREDNIEJ RUCHOMEJ PROSTEJ I WAŻONEJ
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM ZMIENNEJ PROGNOZOWANEJ
Konstrukcja prognozy metodą średniej ruchomej prostej:
−−
=
= t 1
k t i
i
*
t y
k y 1
gdzie:
y*t – prognoza zmiennej y wyznaczona na moment lub okres t, yi – wartość zmiennej prognozowanej w momencie lub okresie i, k – stała wygładzania.
METODA ŚREDNIEJ RUCHOMEJ PROSTEJ I WAŻONEJ
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM ZMIENNEJ PROGNOZOWANEJ
Konstrukcja prognozy metodą średniej ruchomej ważonej :
gdzie:
y*t – prognoza zmiennej y wyznaczona na moment lub okres t, yi – wartość zmiennej prognozowanej w momencie lub okresie i,
wi-t+k+1 – waga nadana przez prognostę wartości zmiennej prognozowanej
w momencie lub okresie i, k – stała wygładzania.
1 w
...
w w
0
dla w y y
k 2
1
1 k t i 1
t
k t i
i
* t
=
− − + +−
=
PROSTY MODEL WYGŁADZANIA WYKŁADNICZEGO
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE SZEREGÓW CZASOWYCH ZE STAŁYM POZIOMEM ZMIENNEJ PROGNOZOWANEJ
W prostym modelu wygładzania wykładniczego prognoza zmiennej na moment lub okres t równa jest:
gdzie:
y*t-1 – prognoza zmiennej y wyznaczona na moment lub okres t-1, yt-1 – wartość zmiennej prognozowanej w momencie lub okresie t-1, α – stała wygładzania.
* 1 1
*
t