Контрольная работа Прогнозирование урожайности различными методами
Работа добавлена на сайт bukvasha.net: 2015-10-25Поможем написать учебную работу
Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
от 25%
договор
Содержание
1. Задание
2. Аналитическое выравнивание
3. Метод экспоненциального сглаживания
4. Метод скользящих средних
5. Выравнивание при помощи рядов Фурье
Выводы
1. Задание
По имеющимся исходным данным урожайности озимой пшеницы в Волгоградский области провести расчеты прогнозных значений на последующие шесть лет для выявления закономерных или случайных изменений.
Исходные данные урожайности:
1947 | 1948 | 1949 | 1950 | 1951 | 1952 | 1953 | 1954 | 1955 | 1956 | 1957 | 1958 |
3,5 | 5,2 | 2,2 | 3,6 | 7,1 | 6,9 | 4,1 | 5,3 | 10,1 | 4,8 | 7,7 | 16,8 |
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
1959 | 1960 | 1961 | 1962 | 1963 | 1964 | 1965 | 1966 | 1967 | 1968 | 1969 |
9,8 | 14,5 | 13,7 | 19,0 | 5,0 | 12,0 | 11,3 | 17,5 | 13,1 | 17,9 | 9,6 |
13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 |
2. Аналитическое выравнивание
Выберем в качестве функций регрессии – линейную, параболическую, гиперболическую и показательную:
.
Гиперболическую и показательную можно линеаризовать и применить МНК к этим функциям как к линейным. Для гиперболической функции введем новую переменную:
.
Тогда получим:
,
где
.
Для показательной функции проведем следующие преобразования. Прологарифмируем обе части уравнения: . Сделаем замены:
, , .
Получим:
,
откуда найдем: , , .
Применим ПО MS Excel 2003 и Stata 7.0. Посчитаем коэффициент корреляции:
Коэффициент корреляции значим.
Построим линейную регрессию
Регрессионная статистика | | | | | | |
Множественный R | 0,717687 | | | | | |
R-квадрат | 0,515074 | | | | | |
Нормированный R-квадрат | 0,491982 | | | | | |
Стандартная ошибка | 3,693991 | | | | | |
Наблюдения | 23 | | | | | |
| | | | | | |
Дисперсионный анализ | | | | | | |
| df | SS | MS | F | Значимость F | |
Регрессия | 1 | 304,3725 | 304,3725 | 22,30559 | 0,000116 | |
Остаток | 21 | 286,557 | 13,64557 | | | |
Итого | 22 | 590,9296 | | | | |
| | | | | | |
| Коэффициенты | Стандартная ошибка | t-статистика | P-Значение | Нижние 95% | Верхние 95% |
Y-пересечение | 3,014625 | 1,592152 | 1,893427 | 0,072162 | -0,29644 | 6,325686 |
Переменная X 1 | 0,548419 | 0,11612 | 4,722879 | 0,000116 | 0,306935 | 0,789903 |
Регрессия для гиперболической функции:
Регрессия для параболической функции:
Регрессия для показательной функции:
Как видно из этих данных, коэффициент детерминации у регрессии для гиперболической функции значительно хуже, чем у других моделей. А константа и коэффициент при переменной в модели параболической регрессии не значимы согласно t-критерию Стьюдента.
Коэффициенты детерминации для моделей линейной и показательной регрессий примерно одиноковы, причем R-квадрат больше у показательной регрессии. Сравним эти 2 модели по другим показателям. Рассчитаем среднюю квадратическую ошибку уравнения тренда и информационные критерии Акейка и Шварца:
, ,
Чем меньше значение информационных критериев, тем лучше модель.
Итак, для модели линейной регрессии получим:
AIC=5,131843277
BIC=2,658769213 σ=3,694
Для модели регрессии показательной функции имеем:
AIC= 5,477785725 BIC= 2,831740437 σ=4,028
Все 3 показателя лучше в первом случае.
Применим модель линейной регрессии для аналитического выравнивания исходного ряда. Модель такова:
у=3,01+0,55t;
Значения уровней ряда, полученных по модели, и остатков представлены в следующей таблице:
Наблюдение | Предсказанное Y | Остатки |
1 | 3,563043478 | -0,063043478 |
2 | 4,111462451 | 1,088537549 |
3 | 4,659881423 | -2,459881423 |
4 | 5,208300395 | -1,608300395 |
5 | 5,756719368 | 1,343280632 |
6 | 6,30513834 | 0,59486166 |
7 | 6,853557312 | -2,753557312 |
8 | 7,401976285 | -2,101976285 |
9 | 7,950395257 | 2,149604743 |
10 | 8,498814229 | -3,698814229 |
11 | 9,047233202 | -1,347233202 |
12 | 9,595652174 | 7,204347826 |
13 | 10,14407115 | -0,344071146 |
14 | 10,69249012 | 3,807509881 |
15 | 11,24090909 | 2,459090909 |
16 | 11,78932806 | 7,210671937 |
17 | 12,33774704 | -7,337747036 |
18 | 12,88616601 | -0,886166008 |
19 | 13,43458498 | -2,13458498 |
20 | 13,98300395 | 3,516996047 |
21 | 14,53142292 | -1,431422925 |
22 | 15,0798419 | 2,820158103 |
23 | 15,62826087 | -6,02826087 |
Спрогнозируем урожайность озимой пшеницы на последующие 6 лет
Прогнозные значения | |
t | y |
24 | 16,17667984 |
25 | 16,72509881 |
26 | 17,27351779 |
27 | 17,82193676 |
28 | 18,37035573 |
29 | 18,9187747 |
Из графика видно, что урожайность с каждым последующим годом будет возрастать и достигнет через шесть лет значения практически в 2 раза большего, чем в 1969 году. Этот результат достигнут в результате существенного роста урожайности зерновых культур.
Проверим наличие автокорреляции в данном динамическом ряду. Для этого составим следующие таблицы:
Расчет коэффициента автокорреляции 1-го порядка
Год | Фактические уровни y(t) | Уровни, сдвинутые на год y(t-1) | y(t)y(t-1) | y(t)^2 |
1 | 3,5 | 9,6 | 33,6 | 12,25 |
2 | 5,2 | 3,5 | 18,2 | 27,04 |
3 | 2,2 | 5,2 | 11,44 | 4,84 |
4 | 3,6 | 2,2 | 7,92 | 12,96 |
5 | 7,1 | 3,6 | 25,56 | 50,41 |
6 | 6,9 | 7,1 | 48,99 | 47,61 |
7 | 4,1 | 6,9 | 28,29 | 16,81 |
8 | 5,3 | 4,1 | 21,73 | 28,09 |
9 | 10,1 | 5,3 | 53,53 | 102,01 |
10 | 4,8 | 10,1 | 48,48 | 23,04 |
11 | 7,7 | 4,8 | 36,96 | 59,29 |
12 | 16,8 | 7,7 | 129,36 | 282,24 |
13 | 9,8 | 16,8 | 164,64 | 96,04 |
14 | 14,5 | 9,8 | 142,1 | 210,25 |
15 | 13,7 | 14,5 | 198,65 | 187,69 |
16 | 19 | 13,7 | 260,3 | 361 |
17 | 5 | 19 | 95 | 25 |
18 | 12 | 5 | 60 | 144 |
19 | 11,3 | 12 | 135,6 | 127,69 |
20 | 17,5 | 11,3 | 197,75 | 306,25 |
21 | 13,1 | 17,5 | 229,25 | 171,61 |
22 | 17,9 | 13,1 | 234,49 | 320,41 |
23 | 9,6 | 17,9 | 171,84 | 92,16 |
Сумма | 220,7 | 220,7 | 2353,68 | 2708,69 |
Средняя | 9,595652174 | | 102,333913 | 117,76913 |
| Дисперсия | 25,69258979 | Автокорреляция присутствует ( с вероятностью 0,95) | |
Коэффициент автокорреляции | 0,399234662 |
Расчет коэффициента автокорреляции 2-го порядка
Год | Фактические уровни y(t) | Уровни, сдвинутые на 2 года y(t-2) | y(t)y(t-2) | y(t)^2 |
1 | 3,5 | 17,9 | 62,65 | 12,25 |
2 | 5,2 | 9,6 | 49,92 | 27,04 |
3 | 2,2 | 3,5 | 7,7 | 4,84 |
4 | 3,6 | 5,2 | 18,72 | 12,96 |
5 | 7,1 | 2,2 | 15,62 | 50,41 |
6 | 6,9 | 3,6 | 24,84 | 47,61 |
7 | 4,1 | 7,1 | 29,11 | 16,81 |
8 | 5,3 | 6,9 | 36,57 | 28,09 |
9 | 10,1 | 4,1 | 41,41 | 102,01 |
10 | 4,8 | 5,3 | 25,44 | 23,04 |
11 | 7,7 | 10,1 | 77,77 | 59,29 |
12 | 16,8 | 4,8 | 80,64 | 282,24 |
13 | 9,8 | 7,7 | 75,46 | 96,04 |
14 | 14,5 | 16,8 | 243,6 | 210,25 |
15 | 13,7 | 9,8 | 134,26 | 187,69 |
16 | 19 | 14,5 | 275,5 | 361 |
17 | 5 | 13,7 | 68,5 | 25 |
18 | 12 | 19 | 228 | 144 |
19 | 11,3 | 5 | 56,5 | 127,69 |
20 | 17,5 | 12 | 210 | 306,25 |
21 | 13,1 | 11,3 | 148,03 | 171,61 |
22 | 17,9 | 17,5 | 313,25 | 320,41 |
23 | 9,6 | 13,1 | 125,76 | 92,16 |
Сумма | 220,7 | 220,7 | 2349,25 | 2708,69 |
Средняя | 9,595652174 | | 102,141304 | 117,76913 |
| Дисперсия | 25,69258979 | Автокорреляция присутствует ( с вероятностью 0,99) | |
Коэффициент автокорреляции | 0,391737999 |
Расчет коэффициента автокорреляции 3-го порядка
Год | Фактические уровни y(t) | Уровни, сдвинутые на 3 года y(t-3) | y(t)y(t-3) | y(t)^2 |
1 | 3,5 | 13,1 | 45,85 | 12,25 |
2 | 5,2 | 17,9 | 93,08 | 27,04 |
3 | 2,2 | 9,6 | 21,12 | 4,84 |
4 | 3,6 | 3,5 | 12,6 | 12,96 |
5 | 7,1 | 5,2 | 36,92 | 50,41 |
6 | 6,9 | 2,2 | 15,18 | 47,61 |
7 | 4,1 | 3,6 | 14,76 | 16,81 |
8 | 5,3 | 7,1 | 37,63 | 28,09 |
9 | 10,1 | 6,9 | 69,69 | 102,01 |
10 | 4,8 | 4,1 | 19,68 | 23,04 |
11 | 7,7 | 5,3 | 40,81 | 59,29 |
12 | 16,8 | 10,1 | 169,68 | 282,24 |
13 | 9,8 | 4,8 | 47,04 | 96,04 |
14 | 14,5 | 7,7 | 111,65 | 210,25 |
15 | 13,7 | 16,8 | 230,16 | 187,69 |
16 | 19 | 9,8 | 186,2 | 361 |
17 | 5 | 14,5 | 72,5 | 25 |
18 | 12 | 13,7 | 164,4 | 144 |
19 | 11,3 | 19 | 214,7 | 127,69 |
20 | 17,5 | 5 | 87,5 | 306,25 |
21 | 13,1 | 12 | 157,2 | 171,61 |
22 | 17,9 | 11,3 | 202,27 | 320,41 |
23 | 9,6 | 17,5 | 168 | 92,16 |
Сумма | 220,7 | 220,7 | 2218,62 | 2708,69 |
Средняя | 9,595652174 | | 96,4617391 | 117,76913 |
| Дисперсия | 25,69258979 | Автокорреляция отсутствует | |
Коэффициент автокорреляции | 0,170679504 |
Как видно из таблиц, обнаружилась автокорреляция только первого и второго порядков. Это говорит о том, что значительное влияние на урожайность озимой пшеницы в данном году оказывает урожайность двух предыдущих лет.
3. Метод экспоненциального сглаживания
Выберем теперь форму зависимости (линейную или параболическую) методом экспоненциального сглаживания.
Рассчитаем начальные условия экспоненциального сглаживания для линейной тенденции:
где – параметр сглаживания;.
Выберем =0,3
На основе расчета начальных условий определяем оценки коэффициентов и характеристики сглаженных значений.
Формулы расчета оценок коэффициентов:
Формулы расчета характеристик сглаживания динамического ряда:
Расчет оценок коэффициентов, характеристик сглаженных значений, прогнозных значений по линейной форме экспоненциального сглаживания () и квадратов ошибок сведем в таблицу:
| S1 | S2 | a0 | a1 | | |
3,5 | 3,692 | 4,2548 | 3,1292 | -0,3752 | 2,754 | 0,556516 |
5,2 | 4,2952 | 4,27096 | 4,31944 | 0,01616 | 4,3356 | 0,74718736 |
2,2 | 3,45712 | 3,945424 | 2,968816 | -0,325536 | 2,64328 | 0,196497158 |
3,6 | 3,514272 | 3,772963 | 3,255581 | -0,1724608 | 3,08312 | 0,267164934 |
7,1 | 4,9485632 | 4,243203 | 5,653923 | 0,47024 | 6,1241632 | 0,95225746 |
6,9 | 5,7291379 | 4,837577 | 6,620699 | 0,594373888 | 7,21507264 | 0,099270768 |
4,1 | 5,0774828 | 4,933539 | 5,221426 | 0,095962266 | 5,31738842 | 1,482034555 |
5,3 | 5,1664897 | 5,026719 | 5,30626 | 0,093180119 | 5,39943995 | 0,009888303 |
10,1 | 7,1398938 | 5,871989 | 8,407798 | 0,845269727 | 9,25306811 | 0,717293628 |
4,8 | 6,2039363 | 6,004768 | 6,403105 | 0,13277883 | 6,53588335 | 3,013291001 |
7,7 | 6,8023618 | 6,323806 | 7,280918 | 0,319037494 | 7,5999555 | 0,010008902 |
16,8 | 10,801417 | 8,11485 | 13,48798 | 1,791044614 | 15,2790286 | 2,313354018 |
9,8 | 10,40085 | 9,02925 | 11,77245 | 0,914400039 | 12,6868503 | 8,333904844 |
14,5 | 12,04051 | 10,23375 | 13,84727 | 1,204503986 | 15,0517701 | 0,304450249 |
13,7 | 12,704306 | 11,22197 | 14,18664 | 0,988220769 | 15,174858 | 2,17520614 |
19 | 15,222584 | 12,82222 | 17,62295 | 1,600243488 | 19,2231924 | 0,049814834 |
5 | 11,13355 | 12,14675 | 10,12035 | -0,67546729 | 9,44488196 | 19,75697565 |
12 | 11,48013 | 11,8801 | 11,08016 | -0,26664841 | 10,8135091 | 1,407760654 |
11,3 | 11,408078 | 11,69129 | 11,12486 | -0,18880986 | 10,9360534 | 0,132457117 |
17,5 | 13,844847 | 12,55271 | 15,13698 | 0,861421592 | 15,9984008 | 2,254800093 |
13,1 | 13,546908 | 12,95039 | 14,14342 | 0,397677461 | 14,5411018 | 2,076774272 |
17,9 | 15,288145 | 13,88549 | 16,6908 | 0,93510118 | 17,6258978 | 0,075132009 |
9,6 | 13,012887 | 13,53645 | 12,48932 | -0,34904247 | 12,1402807 | 6,453026248 |
| | | | | | 53,38506621 |
Определим начальные условия экспоненциального сглаживания при параболической тенденции:
Выберем
Соответственно: = -3,5166014; =-8,3384654; =-13,4803294
На основе расчета начальных условий определяем оценки коэффициентов и характеристики сглаженных значений. Расчет оценок коэффициентов, характеристик сглаженных значений, прогнозных значений по параболической форме экспоненциального сглаживания и квадратов ошибок сведем в таблицу: