kwartalna sprzedaż żelazek
Transkrypt
kwartalna sprzedaż żelazek
Modele nieliniowe MODELE NIELINIOWE Przykład. (model liniowy i nieliniowy - porównanie). Kwartalna sprzeda elazek w latach 1996 - 1999 wynosiła: t yt 1 45 2 53 3 57 4 62 5 64 6 68 7 65 8 68 9 67 10 69 11 72 12 70 13 73 14 75 Wyznacz prognoz na trzeci kwartał roku 1999. Z wykresu wida , e trend jest rosn cy lecz coraz wolniejszy (wzgl dne nasycenie rynku) zatem zamiast trendu liniowego nale y zastosowa trend nieliniowy o malej cym tempie wzrostu np. model pot gowy y = atb (0 < b < 1). sprzeda (tys. szt.) Logarytmuj c model pot gowy y = atb otrzymamy lny = lna + blnt a po podstawieniu t' = lnt; y' = lny; a' = lna otrzymamy model liniowy y' = a' + b't'. Wykres par (lnt, lny) potwierdza trafno wybranego modelu. 80 75 70 65 60 55 50 45 40 kwartalna sprzeda elazek y = 1,8066x + 51,308 R2 = 0,8308 y = 46,783x0,1768 R2 = 0,9609 1 2 3 4 5 6 7 8 9 10 11 12 13 14 kwartały t 1 lnt 0 lny 2 3 4 5 6 7 8 9 0,69 1,1 1,39 1,61 1,79 1,95 2,08 2,2 10 11 12 13 14 2,3 2,4 2,48 2,56 2,64 3,81 3,97 4,04 4,13 4,16 4,22 4,17 4,22 4,2 4,23 4,28 4,25 4,29 4,32 Oszacowany model liniowy ma posta : yˆ ′ = 3,846 + 0,177t ′ Oszacowany model pot gowy ma posta : yˆ = 46,8t 0,177 Zatem prognoza punktowa wyniesie y15 = 46,8 ⋅ 15 Problem: wyznaczy prognoz punktow na 16 kwartał. * 0,177 1 = 75,6 Modele nieliniowe Model liniowy wzgl dem parametrów. Yˆ = b0 + b1 f1 ( X 1 ) + ... + bk f k ( X k ) f1, ..., fk - funkcje ró nowarto ciowe. Podstawiaj c Zi = fi(Xi) i = 1, ..., k otrzymamy model liniowy: Yˆ = b0 + b1 Z1 + ... + bk Z k Przykład. (model paraboliczny). Yˆ = b0 + b1 X + b2 X 2 b2 ≠ 0, podstawiaj c Z1 = X, Z2 = X2 , otrzymamy model liniowy Yˆ = b0 + b1 Z1 + b2 Z 2 Przykład. (model hiperboliczny). b Yˆ = b0 + 1 X X >0 b1 ≠ 0, podstawiaj c Z = 1/X, otrzymamy model liniowy Yˆ = b0 + b1 Z1 Przykład. (model logarytmiczny). Yˆ = b0 + b1 ln X X >0 podstawiaj c Z = lnX, otrzymamy model liniowy Yˆ = b0 + b1 Z 1 2 b1 ≠ 0, Modele nieliniowe Model linearyzowany. Model linearyzowany to taki model dla którego istnieje jednoznaczne przekształcenie obu jego stron takie, e otrzymamy model liniowy lub liniowy wzgl dem parametrów. Przykład. (model wykładniczy). Yˆ = b0 p b1 X b0, p > 0, p ≠ 1 ogólnie Yˆ = b0 p b1 X1 +...+bk X k Linearyzacja polega na obustronnym zlogarytmowaniu modelu wyj ciowego (najlepiej zastosowa logarytm o podstawie p) i podstawieniu ~ b0 = log p b0 , otrzymamy model liniowy Zˆ = log p Yˆ , ~ Zˆ = b0 + b1 X 1 + ... + bk X k Przykład. (model pot gowy). Yˆ = b0 X b1 b0, X > 0, ogólnie b b b Yˆ = b0 X 1 1 X 2 2 ... X k k Linearyzacja polega na obustronnym zlogarytmowaniu modelu wyj ciowego (najlepiej zastosowa logarytm naturalny - o podstawie e) i podstawieniu ~ b0 = ln b0 , Z i = ln X i , otrzymamy model liniowy Zˆ = ln Yˆ , ~ Zˆ = b0 + b1 Z1 + ... + bk Z k 3 Modele nieliniowe Estymacja parametrów funkcji regresji krzywoliniowej. Parametry wybranej funkcji nieliniowej wyznacza si te bezpo rednio metod kwadratów, korzystaj c z odpowiedniego układu równa normalnych. Funkcja wielomianowa. najmniejszych yˆ i = b0 + b1 x + b2 x 2 + ... + bk x k Jej parametry b0, ...,bk wyznaczamy rozwi zuj c układ równa normalnych który ma posta : nb0 + xi b1 + xi2 b2 + ... + i xi b0 + i xik +1 bk = xi3 b2 + ... + i yi i xi2 b1 + i xik bk = i i i xi yi i ... xik +1 b1 + xik b0 + i xik +2 b2 + ... + i i xi2k bk = xik yi i i Powy szy układ k + 1 równa otrzymujemy przyrównuj c do zera pochodne cz stkowe funkcji k + 1 zmiennych S (b0 , b1 , b2 ,..., bk ) = n i =1 ( yi − yˆi )2 = n i =1 (y − (b i 0 + b1 xi + b2 xi2 + ... + bk xik )) 2 W szczególno ci funkcja kwadratowa. yˆ i = b0 + b1 x + b2 x 2 Jej parametry b0, b1, b2 wyznaczamy rozwi zuj c układ równa normalnych który ma posta : nb0 + xi b1 + xi2 b2 = i i i xi b0 + xi2 b0 + yi i xi2 b1 + i i i i xi3 b1 + i xi3 b2 = xi yi i xi4 b2 = xi2 yi i Funkcja pot gowa. b yˆ i = axi Zało enie a > 0, b > 0, xi >0. Chocia jest to niekiedy szczególny przypadek funkcji wielomianowej to warto rozpatrywa go równie oddzielnie. Jej parametry a, b wyznaczamy przez przekształcenie do postaci liniowej (logarytmujemy obie strony). ln yˆ i = ln a + b ln xi Układ równa normalnych ma posta : ln y i = n ln a + b i ln xi ln yi = ln a i ln xi i ln xi + b i ln 2 xi i Rozwi zuj c powy szy układ równa (liniowych wzgl dem a' = lna i b) obliczamy a' i b. a' St d a = e . Parametr b jest interpretowany jako współczynnik elastyczno ci, tzn. je li zmienna X wzro nie o 1%, to Y zmieni si rednio o b %. 4 Modele nieliniowe Funkcja wykładnicza. yˆ i = ab xi Zało enie a > 0, b > 0. Logarytmuj c obie strony otrzymamy. ln yˆ i = ln a + xi ln b Układ równa normalnych ma posta : ln y i = n ln a + ln b i xi ln y i = ln a i xi i xi + ln b i xi 2 i Rozwi zuj c powy szy układ równa (liniowych wzgl dem a' = lna i b' = lnb) obliczamy a' i b'. St d a = ea' i b = eb'. Parametr b jest interpretowany jako redni przyrost wzgl dny, tzn. je li zmienna X wzro nie o jednostk , to Y zmieni si rednio o (b - 1)100 %. Funkcja logistyczna. yˆ i = a 1 + be −ct gdzie t - czas, a > 0, b > 1, c > 0. Funkcja logistyczna słu y mi dzy innymi do opisu i prognozowania wielko ci sprzeda y produktu wchodz cego na rynek. Przyjmujemy zt = 1 yt Najpierw wyznaczamy warto ci parametrów a, c a= u −1 u0 c = − ln u1 u gdzie u = (n − 1) n −1 z − t =1 u0 = n −1 t =1 z t +1 u1 = (n − 1) n −1 n −1 t =1 n −1 t =1 2 t t =1 z t2 − n −1 t =1 z t z t +1 − 2 zt zt n −1 t =1 n −1 t =1 z t z t +1 z t +1 n −1 t =1 zt Nast pnie korzystaj c z obliczonych a i c obliczamy b b= 1 n n t =1 a − 1 e ct yt t = 1, 2, ...,n Parametr b > 1 gwarantuje istnienie punktu przegi cia, za parametr a jest interpretowany jako poziom nasycenia (asymptota pozioma). 5 Modele nieliniowe Uwaga. a) W przypadku nieliniowym miar współczynnik korelacji krzywoliniowej n R = 1− i=n1 i=1 dopasowania (yi − yˆ)2 (yi − y) modelu do danych statystycznych jest R ∈ <0, 1>. ; 2 b) Bł d prognozy dla modelu nieliniowego przekształconego do modelu liniowego za pomoc przekształcenia y' = f(y) gdzie f - funkcja ró niczkowalna wyra a si wzorem Se 1 + (xτ − x )2 n (xi − x )2 i =1 Sτ = W szczególno ci gdy 1 + n dy ′ * yτ dy dy ′ * 1 yτ = * dy yτ ′ dy * −1 yτ = 2 dy yτ* * dy ′ * yτ = e yτ dy y' = lny to y' = 1/y to ( ) y' = ey to c) Przykład. Maj c dane t 1 2 3 4 5 6 7 8 y 8 6 5 2 2 4 7 8 Wyznaczymy kwadratow funkcj regresji. Korzystaj c z sum w poni szej tabeli układamy układ równa normalnych: suma t y t 2 t 3 t 4 y 2 ty ty 1 8 1 1 1 64 8 8 2 6 4 8 16 36 12 24 3 5 9 27 81 25 15 45 4 2 16 64 256 4 8 32 5 2 25 125 625 4 10 50 6 4 36 216 1296 16 24 144 7 7 49 343 2401 49 49 343 8 8 64 512 4096 64 64 512 36 42 204 1296 8772 262 190 1158 6 2 Modele nieliniowe a⋅8772 + b⋅1296 + c⋅204 = 1158 a⋅1296 + b⋅204 + c⋅36 = 190 a⋅204 + b⋅36 + c⋅8 = 42 Rozwi zaniem (przybli onym) układu jest a = 0,4643; b = -4,1548; c = 12,107 Zatem funkcja regresji kwadratowej ma posta yˆ = 0,4643x 2 - 4,1548x + 12,107 Funkcja ta jest dobrze dopasowana do danych statystycznych (R2 = 0,8732, r = 0,93). Zauwa my, e w tym przypadku funkcja liniowa nie jest dobr funkcj regresji a bardzo niska warto współczynnika korelacji Pearsona wiadczy o braku zale no ci liniowej a nie o braku zale no ci jakiejkolwiek. y = 0 ,4 6 4 3x 2 - 4 ,1 54 8 x + 1 2 ,1 07 R 2 = 0 ,8 7 32 10 8 Y 6 4 2 0 0 2 4 6 czas t 8 10 y = 0 ,0 2 4 x + 5,1 4 R 2 = 0 ,0 00 6 L. Kowalski, 18.03.2005 7