Таблица 3.
Расчет средних значений сезонной компоненты

3. Рассчитываем ошибки модели как разности между фактическими значениями и значениями модели.

Таблица 4.
Расчёт ошибок

Находим среднеквадратическую ошибку модели (Е) по формуле:

Е= Σ О² : Σ (T+S)²

где:
Т- трендовое значение объёма расходов;
S – сезонная компонента;
О- отклонения модели от фактических значений

Е=(3079106/(361151*361151))*100% = 0,002361%

Величина полученной ошибки позволяет говорить, что построенная модель хорошо аппроксимирует фактические данные, т.е. она вполне отражает экономические тенденции, определяющие объём расходов, и является предпосылкой для построения прогнозов высокого качества.

2. Модель с мультипликативной компонентой.

В некоторых временных рядах значение сезонной компоненты не является константой, а представляет собой определенную долю -фондового значения, т.e. значение сезонной компоненты увеличивается с возрастанием значений тренда. Например, рассмотрим график следующих данных об объе­мах расходов. Объем продаж этого продукта так же, как и в предыдущем при­мере, подвержен сезонным колебаниям, и значения его в разные кварталы разные. Однако размах вариации фактических значении относительно линии тренда постоянно возрастает. Такую ситуацию можно представить с помощью модели с мультипликативной компонентой

A=T*S*Е

1.3.1. Расчет сезонной компоненты

Отличие расчета сезонной компоненты для мультипликативной мо­дели от аддитивной модели заключается лишь в том, что в колонку 6 вписы­ваются коэффициенты сезонности (аналог оценок сезонной компоненты в ад­дитивной модели)

Сезонные коэффициенты представляют собой доли тренда, по­этому принимают, что их сумма должна равняться количеству сезонов в году, т.е. 4, а не нулю, как в аддитивной модели.

Десезонализация данных при расчете тренда

         Десезонализация данных производится по формуле:

  Точки, образующие представленный на графике тренд, достаточно сильно разбросаны, что более близко к реальной действительности, чем в предыдущем примере.

Расчет ошибок

         Ошибки прогнозируемых объемов расходов расчитывают по формуле:

E =A/(T*S)

         Можно предположить, что величина ошибки второго прогноза будет несколько ниже чем первого.

3. Прогноз методом скользящей средней и экспоненциального сглаживания.

         Для предсказаний значений временного ряда можно использовать более простую методику.

При расчете скользящей средней Y_t^{np c} (m) все m значений параметра Y за m моментов времени учитываются с одинаковым весовым коэффициентом 1/m что   не   всегда  обосновано.   Для   прогнозирования   технико – экономических трендов момент времени, в котором наблюдалось значение параметра Y, играет решающее значение. Естественно предположить, что за­висимость во временных рядах постепенно ослабевает с увеличением перио­да между двумя соседними точками. Так, если зависимость прогнозируемою параметра Y_t представляется более сильной от значения Y_t-1, чем от Y_t-s  то

наблюдениям временного ряда следует придавать веса, которые должны уменьшаться но мере удаления oт фиксированного момента времени t. Это обстоятельство учитывается в методе экспоненциального сглаживания. Таким образом, при вычислении .ко экспоненциальной средней используются лишь предшествующая экспоненциальная средняя и последнее наблюдение, а все предыдущие наблюдения игнорируются.

Например, пусть необходимо дать прогноз для t-=8 но данным следую­щего временного ряда: 1) методом скользящей средней для m=3, m =4$ 2) методом экспоненциального о сглаживания для  =0,2; 0,6.

Метод скользящей средней

Y₁₄^{пр с}(3) = (30159+33149+32451)/3=31919,67

Y₁₄^{пр с} (13) = (24518+23778+25143+27622+26149+24123+27580+30854+29147+ 26478+30159+33149+32451)/13 = 27780,846

Метод экспоненциального сглаживания

рис. 8.

Число членов скользящей средней m и параметр -экспоненциального сглаживания ( определяется статистикой исследуемою процесса. Чем мень-ше m и чем больше , тем сильнее peaгирует пpoгноз на колебания временно­го ряда, и наоборот, чем больше m и чем меньше , чем более инерционным является процесс прогнозирования. Для подбора оптимального параметра прогнозирования необходимо провести сглаживание временною ряда с по­мощью нескольких различных значений параметра m или  затем опреде­лить среднюю ошибку прогнозов и выбрать параметр, соответствующий минимальной ошибке.