(last)part1_draft_20120103
Transkrypt
(last)part1_draft_20120103
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t) oraz zatrudnieniu odpowiedniej liczby analityków (x2t). Dane zamieszczono w arkuszu kalkulacyjnym. t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 yt x1t x2t 859,1078 123 897,8725 124 921,0621 127 952,0392 129 921,1199 125 944,3093 128 975,2865 130 990,7463 132 998,4762 133 1013,994 133 1037,241 134 1044,971 135 1060,431 137 1068,161 138 1114,655 140 1122,385 141 25 27 27 28 28 28 29 29 29 30 31 31 31 31 33 33 Przyjmując, że czynniki kształtujące wynik finansowy nie ulegną zmianie postaw prognozę przedziałową na kolejne trzy kwartały za pomocą modelu szeregu czasowego oraz modelu ekonometrycznego opisującego wynik finansowy za pomocą liczby obsługiwanych klientów oraz wielkości zatrudnienia. Porównaj postawione prognozy oraz skomentuj otrzymane wyniki. Rozwiązanie. Rozwiązanie zadania zostanie przedstawione w następujących punktach: 1. Analiza szeregu czasowego oraz budowa modelu prognostycznego szeregu czasowego. 2. Postawienie prognozy punktowej i przedziałowej. 3. Budowa modelu ekonometrycznego oraz jego weryfikacja w zakresie dopasowania dodanych empirycznych, losowości i normalności reszt. 4. Budowa prognozy punktowej. 5. Budowa prognozy przedziałowej. 6. Porównanie otrzymanych wyników wraz z komentarzem. Ad. 1) 1200 1000 y = 15,906x + 859,91 R² = 0,9723 800 600 400 200 0 0 2 4 6 8 10 12 14 16 18 Na podstawie analizy wzrokowej wykresu szeregu czasowego można stwierdzić, że występuje trend (liniowy) oraz wahania przypadkowe. Do prognozowania zostanie wykorzystany model trendu liniowego. Do wyznaczenia reszt modelu wykorzystana zostanie funkcja REGLINW: Funkcja REGLINW jest funkcją tablicową – pamiętaj o <CTRL>+<SHIFT>+<ENTER> Wartości prognozy punktowej dla kolejnych kwartałów znajdują się w komórkach E18, E19, E20: Obliczamy reszty modelu – w celu zbadania losowości i normalności rozkładu reszt: Do badania losowości reszt wykorzystamy test liczby serii, poziom istotności przyjmiemy 0,05. Badanie losowości reszt pozwoli zweryfikować, czy postać analityczna zależności została przyjęta poprawnie. Analizując ciąg reszt obliczamy liczbę serii reszt (podciągi reszt wyłącznie dodatnich lub wyłącznie ujemnych – zera są elementami neutralnymi) oraz liczby: reszt dodatnich i reszt ujemnych. Liczba serii wynosi: 8, liczba reszt dodatnich: 8, reszt ujemnych: 8. Z tablic testu liczby serii odczytujemy dwie wartości krytyczne liczby serii (dla n1 i n2 reszt odpowiednio dodatnich i ujemnych) – źródło tablic: Internet – dr Google ☺ (UWAGA! Jest to test dwustronny więc odczytujemy z dwóch tablic dla prawdopodobieństwa 0,025 oraz 0,975) Wartości krytyczne wynoszą: 4 oraz 13. Obliczona liczba serii jest większa od 4 i mniejsza od 13, więc na przyjętym poziomie istotności nie ma podstaw do odrzucenia hipotezy o losowości reszt modelu. Można więc uznać, że postać analityczna została dobrze dobrana. W kolejnym kroku zbadamy normalność reszt, aby określić wartość współczynnika wiarygodności przy budowie prognozy przedziałowej. Do badania normalności wykorzystamy test Jarque-Bera. Źródło: Internet, Strawiński P.: Własciwosci testu Jarque-Bera gdy w danych wystepuje obserwacja nietypowa. http://coin.wne.uw.edu.pl/pstrawinski/publ/jb_out.pdf W Excelu obliczamy: Porównanie obliczonych wartości JB oraz chi kwadrat wskazuje, że nie ma podstaw do odrzucenia hipotezy o normalności odchyleń losowych modelu (poziom istotności jak poprzednio 0,05). Obliczamy Se, wykorzystując wcześniejsze rachuby lub korzystając z funkcji REGLINP: Wartość pod pierwiastkiem obliczmy w arkuszu w kolejnych krokach: Dla pierwszej prognozy na okres nr 17 otrzymujemy: Dla prognozy na okres nr 18: I dla ostatniej: Wartość u wynosi: Prognozy przedziałowe (wiarygodność 95%) wynoszą więc: Przy prognozowaniu na podstawie modelu ekonometrycznego szacujemy parametry strukturalne modelu (REGLINP), weryfikujemy model (badany losowość i normalność reszt), następnie prognozujemy wartości kolejnych zmiennych objaśniających. Ostateczną prognozę zmiennej objaśnianej budujemy w oparciu o zbudowany model zależności oraz prognozowane wartości zmiennych niezależnych.