Прогнозирование цены компьютера Pentium 166 на 19 декабря 1997 г

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:
I. Удаление тренда различными способами используемые
программой Statistika версии 4.3
1) Модель Holt (? =0.300,?=0.800)
2) Модель Winters (? =0.300,?=0.800)
3) Модель Брауна (? =0.300,?=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 (? =0.300,?=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 ? = 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 ? = 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 ? = 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 ? = 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 (? =0.300,?=0.800)
Модель Уйнтерса при ? = 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 ? = 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 ? = 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 ? = 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 (? =0.300,?=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 ? = 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 ? = 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 ? = 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 ? = 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
1