SAS Forecast Server (Лекции 2014)
Описание файла
Файл "SAS Forecast Server" внутри архива находится в папке "Лекции 2014". PDF-файл из архива "Лекции 2014", который расположен в категории "". Всё это находится в предмете "(ппп соиад) (sas) пакеты прикладных программ для статистической обработки и анализа данных" из 10 семестр (2 семестр магистратуры), которые можно найти в файловом архиве МГУ им. Ломоносова. Не смотря на прямую связь этого архива с МГУ им. Ломоносова, его также можно найти и в других разделах. .
Просмотр PDF-файла онлайн
Текст из PDF
SAS Forecast ServerВалентина ВласоваValentina.Vlasova@sas.comC op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .SAS FORECAST SERVERЧто такое прогнозирование временных рядов• SAS Forecast Server• Демонстрация возможностей• Доступ к SAS OnDemand for Academics•СодержаниеC op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВC op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .SAS FORECASTЧТО ТАКОЕ ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВSERVERПрогнозирование временных рядов – это оценка значения параметрана основе его последовательных значений в прошлом и, возможно,дополнительной информацииC op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c .
A l l r i g h t s r es er v e d .SAS FORECASTТИПОВЫЕ ЗАДАЧИ ПРОГНОЗИРОВАНИЯSERVERПрогнозирование спроса:• товары и услуги• сырье и электроэнергия• ресурсыПрогнозирование объемовпроизводства:• добыча сырья• производство товаров• генерация электроэнергииC op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .Планирование ресурсов:• людские• оборудование• товарные запасыФинансовое планирование:• финансовые показатели• ценыSAS FORECASTТИПОВОЙ ПОДХОД К ПРОГНОЗИРОВАНИЮSERVERC op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .SAS FORECAST SERVERC op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c .
A l l r i g h t s r es er v e d .SAS FORECASTSERVERMAIN COMPONENTSSAS FORECAST SERVERSASForecast ProjectManagerC o p yr i g h t © 2 0 1 2 , S A S In s t i t u t e In c . A l l r i g h t s r e s e r ve d .SASForecast StudioSAS ForecastServerProceduresSAS FORECASTПРОЦЕСС АВТОМАТИЧЕСКОГО ПРОГНОЗИРОВАНИЯSERVERC op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .SAS FORECASTAUTOMATIC FORECASTING PROCESSSERVERDiagnosticsstepModel selectionstepParameterestimation step•A list of candidatemodels is generatedfor each time seriesbased on itsproperties (e.g.trend, seasonality).•The specifiedmodel selectioncriterion iscalculated for eachfitted candidatemodel.•The selected modelis refitted to the fullrange of data toobtain the finalparameterestimates.•These are modelspecifications, whichneed to be fitted tothe actual data toobtain fitted models.•The candidatemodel with the bestvalue of the modelselection criterionis selected for eachtime series.•The results of thisstep are one fittedmodel for each timeseries.Forecastingstep•The final fittedmodel is applied tothe full range of datato obtain predictions,standard errors andconfidence limits foreach series.Evaluation step•Statistics of fit arecomputed based onthe predictions fromthe forecasting stepand the actual data.•Poorly fittingmodels are flagged.10C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c .
A l l r i g h t s r es er v e d .SAS FORECASTАНАЛИЗ И ПРОГНОЗИРОВАНИЕ РЯДАSERVERАнализ•Проверка ряда на наличие•••••ПрогнозированиесезонноститрендаВыбросов•••Оценка необходимостипредварительногопреобразования самогоряда или рядов факторов••Выбор и сокращениенезначимых переменных•C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c .
A l l r i g h t s r es er v e d .••ARIMA, ARIMAXМодели сглаживанияМодели скользящего среднегоРегрессионные моделиМетоды ненаблюдаемыхкомпонентМетоды аппроксимации кривыхМодели случайного блужданияМетоды прерывистого спросаSAS FORECAST USE OF STATISTICS OF FIT IN THE AUTOMATICSERVER FORECASTING PROCESS•To select the best model for each time series (model selection step)• To evaluate the final model (Evaluation step)• What is the difference?12C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c .
A l l r i g h t s r es er v e d .SAS FORECASTSTATISTIC OF FIT CALCULATIONSSERVER•To compute statistics of fit we need:•Predictions• Actual data For the same data region (region 1)•To compute predictions we need a fitted model:•a model specification• a set of parameters obtained by fitting the model to a data region (region 2)•In general region 1 and region 2 are different and change between theforecasting process steps!13C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .SAS FORECASTDATA REGIONS: PARAMETERSSERVERForecastStudioHPFENGINEDefaultValueNotation Specifies…Start dateStart=(ID statement)Firstobservationt0Start date of series to analyzeEnd dateEnd=(ID statement)LastobservationTEnd date of series to analyzeEnd periods Back=to omit(PROC statement)0nBthe number of observations before theend of the data that the multistepforecasts are to begin.
This option isoften used to obtain performancestatistics.HorizonLead=(PROC statement)12nLthe number of periods ahead toforecast (forecast lead or horizon).HoldoutperiodsHoldout=(PROC statement,Task= option)0nHthe size of the holdout sample to beused for model selection.C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .SAS FORECASTDATA REGIONSSERVERUsed for…RegionIntervalSeries[t0, T]Initial FIT(Training)[t0, T - nB - nH]Initial parameter estimation for all candidate modelsHoldout(Validation)]T - nB - nH, T - nB]Model selectionFinal FIT[t0, T - nB]Estimation of the final parameters of the selected modelForecast]T - nB, T - nB + nL]Forecasting future valuesEvaluation (Test)]T - nB, T - nB + min(nL, nB)]Evaluating performance of final modelSeriesInitial FIT(Training)Holdout(Validation)Final FITC op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c .
A l l r i g h t s r es er v e d .Evaluation(Test)ForecastSAS FORECASTDATA REGIONS: EXAMPLESSERVER•No Holdout Sample: nH=0, nB>0, nL>nB•Model selection is done on the FIT region• No final parameter estimation neededSeries(initial and final) FITEvaluationForecast16C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .SAS FORECASTDATA REGIONS: EXAMPLESSERVER•No End periods to omit: nH>0, nB=0, nL>0•No Evaluation RegionSeriesInitial FITHoldoutFinal FITForecast17C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .SAS FORECASTDATA REGIONS: EXAMPLESSERVER•No Holdout Sample and no End periods to omit: nH=0, nB=0, nL>0•Model selection is done on the FIT region• No final parameter estimation needed• No Evaluation RegionSeries(initial and final) FITForecast18C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c .
A l l r i g h t s r es er v e d .SAS FORECASTDATA REGIONS AND THE FORECASTING PROCESSSERVERSeriesInitial FIT(Training)Holdout (Validation)Evaluation (Test)Final FITForecastModel selectioncriterion (SOF)InitialparameterestimationModel SelectionfinalparameterestimationParameterEstimationForecastSOFspredictionsForecastingFitSOFsEvaluation19C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .Diagnostics suggest: y(t) = a*t + b20C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .using all data for model selection, parameter estimation, and model evaluation:y(t) = 0.612*t + 4.89MAPE = 2221C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .(initial) Fit Region(Training)Holdout Region(Validation)Evaluation Region(Test)22C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c .
A l l r i g h t s r es er v e d .(initial) Fit Regiony(t) = 1.429*t + 1.905Holdout RegionMAPE = 28Evaluation Region23C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .(final) Fit Regiony(t) = 1.020*t + 3.061MAPE = 14Evaluation RegionMAPE = 4824C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .SAS FORECASTSUMMARY OF EXAMPLESERVERProcess StepModel Fit RegionSOF ComputationRegionModel SelectionModel Evaluationinitial Fitfinal FitHoldoutfinal FitEvaluationMAPE281448All of these values are for the same series and the same model (specification)!All of these values can be found in Forecast Studio!25C op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .SAS FORECASTКОМПОЗИЦИЯ МОДЕЛЕЙSERVERКомпозиция нескольких моделей прогнозирования для создания новой модели(“Ансамблевые модели”)Увеличение точности прогнозирования за счёт лучшего учёта особенностей рядаC op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c .
A l l r i g h t s r es er v e d .SAS FORECASTАНАЛИЗ ВЛИЯНИЯ ВНЕШНИХ ФАКТОРОВSERVERАвтоматический выбор наиболее значимых факторов влияния на спрос для каждоготовара/услугиДинамика спроса на рынкеСобственная цена на товар/услугу и цена на аналогичный товар/услугу у конкурентовСобственные маркетинговые активности и активности конкурентов и т.д.Индивидуальный подбормодели учёта фактора припрогнозировании продажБудущие значения факторамогут быть заданыэкспетрно илиспрогнозированы системойC op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c . A l l r i g h t s r es er v e d .SAS FORECASTУЧЁТ ОТДЕЛЬНЫХ СОБЫТИЙSERVERУчитываются как типовые события(праздники), так и разовые события,например, промоакции, активностиконкурентов и т.д.Для каждого вида событий выбирается типего влияния из стандартной библиотекиИзменение продаж на определенном периоде Постепенное или резкое изменение уровня ряда Постепенное затухание влияния событияСтепень влияния рассчитываетсяавтоматически из истории и учитываетсяпри прогнозировании на будущееC op yr i g h t © 2 0 1 2 , S A S I n s t i t u t e I n c .
