Реферат Прогнозирование цены компьютера Pentium 166 на 19 декабря 1997 г
Работа добавлена на сайт bukvasha.net: 2015-10-28Поможем 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.
Предоплата всего
от 25%
Подписываем
договор
Башкирский Государственный Университет
Кафедра финансов и налогообложения
ПРИЛОЖЕНИЕ[МиЧР1]
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:
I.
Удаление тренда различными способами используемые программой Statistika версии 4.3
1)
Модель Holt (a
=0.300,
a
=0.800)
2)
Модель Winters (a
=0.300,
a
=0.800)
3)
Модель Брауна (a
=0.300,
a
=0.800)
4)
Регрессионная модель
I.
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 |
[МиЧР1]
