EMM1_1 (Прогнозирование цены компьютера Pentium 166 на 19 декабря 1997 г)

11

Башкирский Государственный Университет

Кафедра финансов и налогообложения

ПРИЛОЖЕНИЕ

к курсовой работе на тему:

Прогнозирование цены на

комьютер Pentium 166

на 19 декабря 1997 года.

Выполнила: студентка дн.от.

эк.ф-та,3-го курса,гр. 3.4ЭЮ

Хакимова Д.И.

Проверила: научный рук-ль,

доцент ,к.э.н.

Саяпова А.Р.

г. Уфа 1997 г.

Содержание приложения:

1. Удаление тренда различными способами используемые программой Statistika версии 4.3

2. Модель Holt (a =0.300,a=0.800)

3. Модель Winters (a =0.300,a=0.800)

4. Модель Брауна (a =0.300,a=0.800)

5. Регрессионная модель

1. Удаление тренда различными способами используемые программой Statistika версии 4.3

Я работала в программе Statistica 4.3 которая позволяет удалить тренд, исходя из ниже предложенных графиков можно увидеть различные способы для его удаления. Но эти способы не явились более подходящими, и поэтому представлены для анализа проделанной курсовой работе.

На этом графике использовался метод Trend subtract

(x=x-(a+b*t)), где а= 6.606, b = -0.52 .

Тренд в данном случае неудалился, так как сам тренд не линейный.

Сделав вывод, что тренд не линейный, я проделала попытку удалить тренд в Nonlinear Estimatoin получила следущее:

Model: PENTIUM = b1+b2/t+b3/t**2
N=62	Dep.var: PENTIUM loss (OBS - PRED)**2 FINAL loss:31.852464424 R=.67433 variance explained: 45.473%
	b1	b2	b3
Estimate	4.34597	11.85681	-10.0804

График удаления тренда не линейным способом:

Выше описанным способом тренд тоже не удалился.

1. Модель Holt (a =0.300,a=0.800)

Примером адаптивной модели предназначенной для прогнозирования сезонных процессов, является модель Хольта. Эта модель предполагает мультипликативное объединение линейного тренда и сезонные составляющие во временном ряду.

Модель Хольта при a = 0.300

Exp.smoothing: SO=6.534 TO = 0.49

TIME SERIES Summury of error	Lin.trend; no season; Alpha= 0.300 Gamma=0.1 PENTIUM Error
Mean error	.00731672825436
Mean absolute error	.13134104302219
Sums of squares	1.96424677027454
Mean squares	.03168139952056
Mean percentage error	.26328877539247
Mean abs. pers.	3.01698849598955

График по Хольту с a = 0.300

Exp.smoothing: SO=6.534 TO = 0.49

CASE	SMOOTHED SERIES
16.12.97	3.379367
17.12.97	3.343613
18.12.97	3.307860
19.12.97	3.272107

Модель Хольта при a = 0.800

Exp.smoothing: SO=6.534 TO = 0.49

TIME SERIES Summury of error	Lin.trend; no season; Alpha= 0.800 Gamma=0.1 PENTIUM Error
Mean error	.00315177373958
Mean absolute error	.05706002635321
Sums of squares	.48259413419920
Mean squares	.00778377635805
Mean percentage error	.12944834490985
Mean abs. pers.	1.26337346085392

График по Хольту с a = 0.800

Exp.smoothing: SO=6.534 TO = 0.49

CASE	SMOOTHED SERIES
16.12.97	3.457111
17.12.97	3.423383
18.12.97	3.398655
19.12.97	3.355927

Модель Winters (a =0.300,a=0.800)

Модель Уйнтерса при a = 0.300

Exp.smoothing:Multipl.season(12) SO=6.433 TO = 0.52

TIME SERIES Summury of error	Lin.trend; no season; Alpha= 0.300 Delta=.100; Gamma=0.1 PENTIUM Error
Mean error	.00850967552279
Mean absolute error	.13196744584935
Sums of squares	2.02519074270767
Mean squares	.03266436817876
Mean percentage error	.27239869561423
Mean abs. pers.	3.02001823889308

График по Уинтерсу с a = 0.300

Exp.smoothing:Multipl.season(12) SO=6.433 TO = 0.52

CASE	SMOOTHED SERIES
16.12.97	3.373012
17.12.97	3.337162
18.12.97	3.309019
19.12.97	3.283079

Модель Уйнтерса при a = 0.800

Exp.smoothing:Multipl.season(12) SO=6.433 TO = 0.52

TIME SERIES Summury of error	Lin.trend; no season; Alpha= 0.800 Delta=.100; Gamma=0.1 PENTIUM Error
Mean error	.00387269483310
Mean absolute error	.06040575200437
Sums of squares	.54276104822497
Mean squares	.00875421046649
Mean percentage error	.14058659957529
Mean abs. pers.	1.32624409579650

График по Уинтерсу с a = 0.800

Exp.smoothing:Multipl.season(12) SO=6.433 TO = 0.52

CASE	SMOOTHED SERIES
16.12.97	3.453841
17.12.97	3.429777
18.12.97	3.407928
19.12.97	3.380729

1. Модель Брауна (a =0.300,a=0.800)

Модель Брауна может отображать развитие не только в виде линейной тенденции, нои в виде случайного процесса, не имеющего тенденции, а также ввиде изиеняющейся параболической тенденции.

Модель Брауна при a = 0.300

Exp.smoothing: SO=4.982

TIME SERIES Summury of error	Lin.trend; no season; Alpha= 0.300 PENTIUM Error
Mean error	-.0780414476807
Mean absolute error	.1978141110028
Sums of squares	6.8610393089365
Mean squares	.1106619243377
Mean percentage error	-2.2104491142263
Mean abs. pers.	4.0726990990745

График по Брауну с a = 0.300

Exp.smoothing: SO=4.982

CASE	SMOOTHED SERIES
16.12.97	3.530736
17.12.97	3.530736
18.12.97	3.530736
19.12.97	3.530736

Модель Брауна при a = 0.800

Exp.smoothing: SO=4.982

TIME SERIES Summury of error	Lin.trend; no season; Alpha= 0.300 PENTIUM Error
Mean error	-.0298811251614
Mean absolute error	.08804695430620
Sums of squares	3.1058602054085
Mean squares	.05009465809765
Mean percentage error	-.90807550618029
Mean abs. pers.	1.70449937474829

График по Брауну с a = 0.800

Exp.smoothing: SO=4.982

CASE	SMOOTHED SERIES
16.12.97	3.500203
17.12.97	3.500203
18.12.97	3.500203
19.12.97	3.500203

Прогнозирование по вышеуказанным моделям получается не совсем стабильным.

Регрессионная модель

В экономической деятельности очень часто требуется не только получать прогнозные оценки исследуемого показателя, но и количественно охарактеризовать степень влияния на него других факторов.

Рассматривая зависимость цены на компьютер Pentium166 и инфляции я получаю:

REGRESSION SUMMARY for Dependent Variable: PENTIUM

	R=.68998993 RI=.47608611 Abjusted RI=.45593557 F(1,26)=23.626 p<.00005 std. Err of estimate
N = 28	BETA	St.Err. of BETA	B	St.Err. of B	t(26)	p-level
Intercpt			6.701069	.537806	12.46001	.000000
Inf	-6.89990	1.41953	-.345470	.071074	-4.86071	.000049