Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

Otokorelasyon Analizi 15.04.2015Pazarlıo ğ lu Otokorelasyon, bir de ğ işkenin bir dönem gecikmeli ya da daha fazla dönem gecikmeli de ğ erleri arasındaki.

Benzer bir sunumlar


... konulu sunumlar: "Otokorelasyon Analizi 15.04.2015Pazarlıo ğ lu Otokorelasyon, bir de ğ işkenin bir dönem gecikmeli ya da daha fazla dönem gecikmeli de ğ erleri arasındaki."— Sunum transkripti:

1 Otokorelasyon Analizi 15.04.2015Pazarlıo ğ lu Otokorelasyon, bir de ğ işkenin bir dönem gecikmeli ya da daha fazla dönem gecikmeli de ğ erleri arasındaki ilişkidir.

2 Gecikmeli de ğ er kavramı 15.04.2015Pazarlıo ğ lu AylarYtYt-1Yt-2 Ocak123 Şubat130123 Mart125130123 Nisan138125130 Mayıs145138125 Haziran142145138 Temmuz141142145 Ağustos146141142 Eylül147146141 Ekim157147146 Kasım150157147 Aralık160150157

3 r k için gerekli hesaplamalar 15.04.2015Pazarlıo ğ lu AylarYtYt Ocak123 Şubat130 Mart125 Nisan138 Mayıs145 Haziran142 Temmuz141 Ağustos146 Eylül147 Ekim157 Kasım150 Aralık160 Y t -Y ort -19 -12 -17 -4 3 0 4 5 15 8 18 Y t-1 123 130 125 138 145 142 141 146 147 157 150 Y t-1 -Y ort -19 -12 -17 -4 3 0 4 5 15 8 (Y t -Y ort )(Y t-1 -Y ort ) 123 130 125 138 145 142 141 146 147 157 150 (Y t -Y ort ) 2 123 130 125 138 145 142 141 146 147 157 150  1704  843  1474 Y ort =142

4 1. Gecikme için Otokorelasyon Katsayısı 15.04.2015Pazarlıo ğ lu

5 Korelogram 15.04.2015Pazarlıo ğ lu Bir zaman serisinin farklı gecikmelerine göre hesaplanan otokorelasyon katsayılarının grafi ğ ine korelogram ya da otokorelasyon fonksiyonu adı verilir.

6 Otokorelasyon katsayıları 15.04.2015Pazarlıo ğ lu Autocorrelations Series:Yt LagAutocorrelationStd. Error a Box-Ljung Statistic ValuedfSig. b 1,572,2564,9951,025 2,463,2448,5922,014 3,111,2318,8203,032 4,016,2188,8254,066 5-,033,2048,8525,115 6-,102,1899,1426,166 7-,250,17311,2487,128 8-,328,15415,7578,046 9-,466,13427,9229,001 10-,250,10933,15810,000 a. The underlying process assumed is independence (white noise). b. Based on the asymptotic chi-square approximation.

7 Korelogram 15.04.2015Pazarlıo ğ lu

8 Otokorelasyon katsayıları 15.04.2015Pazarlıo ğ lu Bir zaman serisi de ğ işkeninin farklı gecikmelere göre hesaplanan otokorelasyon katsayıları izleyen soruları cevaplamakta kullanılır. 1.Veriler tesadüfi midir? 2.Veriler bir trende sahip midirler? 3.Veriler dura ğ an mıdırlar? 4.Verilerde mevsimsel hareket var mıdır?

9 Verilerin tesadüfi olması-I 15.04.2015Pazarlıo ğ lu E ğ er bir seri tesadüfi ise, her hangi bir gecikmede yani Y t ve Y t-k arasındaki otokorelasyonlar sıfıra yakın olmaktadır. Bu durumda zaman serisinin ardışık de ğ erlerinin birbirleriyle ilişkisi yoktur.

10 Verilerin tesadüfi olması-II 15.04.2015Pazarlıo ğ lu

11 Verilerin tesadüfi olması-III 15.04.2015Pazarlıo ğ lu

12 Verilerin trende sahip olması 15.04.2015Pazarlıo ğ lu E ğ er bir zaman serisi trende sahipse ise, Y t ve Y t-1 arasında yüksek korelasyon bulunacaktır. Birkaç gecikmeden sonra otokorelasyon katsayıları hızlıca sıfıra yaklaşacaktır. İ lk gecikmede otokorelasyon kat sayısı 1’e yakındır. İ kinci gecikmede de oldukça yüksektir. Ve daha sonra hızlıca azalır.

13 Otokorelasyon katsayıları 15.04.2015Pazarlıo ğ lu Autocorrelations Series:Yt LagAutocorrelationStd. Error a Box-Ljung Statistic ValuedfSig. b 1,572,2564,9951,025 2,463,2448,5922,014 3,111,2318,8203,032 4,016,2188,8254,066 5-,033,2048,8525,115 6-,102,1899,1426,166 7-,250,17311,2487,128 8-,328,15415,7578,046 9-,466,13427,9229,001 10-,250,10933,15810,000 a. The underlying process assumed is independence (white noise). b. Based on the asymptotic chi-square approximation.

14 Verilerin Mevsimlik harekete sahip olması 15.04.2015Pazarlıo ğ lu E ğ er bir zaman serisi mevsimsel harekete sahipse ise, mevsimsel gecikmelerde anlamlı otokorelasyon katsayılarına sahip olacaktır.

15 Dura ğ anlık 15.04.2015Pazarlıo ğ lu Zaman serisi modellerinde de ğ işkenlerin dura ğ an oldukları varsayılır. Bu varsayım etkin ve tutarlı tahminler elde etmek için gereklidir.

16 Dura ğ anlı ğ ın Tanımı 15.04.2015Pazarlıo ğ lu Zaman serisi modellerinde rassal de ğ işken X t zaman boyunca ortalaması sabit ve sabit varyanslı dura ğ an bir stokastik süreç olarak tanımlanır. E(X t ) = sabit(tüm t’ ler için) Var(X t ) = sabit(tüm t’ ler için) Cov(X t,X t+k )= sabit(tüm t’ ler için tüm k0 için)

17 Kovaryans dura ğ anlı ğ ı 15.04.2015Pazarlıo ğ lu Cov(X t,X t+k ) ifadesi, X’in her hangi iki de ğ eri arasında zamana göre farklılaşmayan her hangi iki de ğ eri arasında zamana de ğ il de yalnızca farka(gecikmeye) dayanan kovaryansı ve dolayısıyla korelasyonu göstermektedir. Cov(X t,X t+4 ); Cov (X 10, X 14 ) = Cov (X 13, X 17 ) =Cov (X 16,X 20 ) Cov(X t,X t+6 ); Cov (X 10, X 16 ) = Cov (X 13, X 19 ) =Cov (X 16,X 22 )

18 Dura ğ an-dışılık-1 15.04.2015Pazarlıo ğ lu XtXt XtXt tt

19 Dura ğ an-dışılık-1I 15.04.2015Pazarlıo ğ lu t XtXt

20 Öngörü Tekni ğ inin Seçimi-I 15.04.2015Pazarlıo ğ lu Öngörü neden gereklidir? Öngörüyü kim kullanacak? Eldeki verilerin özellikleri nedir? Öngörülecek dönem nedir? Öngörüde için en az ne kadar veri gereklidir? Ne kadar do ğ ruluk arzulanmaktadır? Öngörü maliyeti ne kadardır?

21 Öngörü Tekni ğ inin Seçimi-II 15.04.2015Pazarlıo ğ lu Öngörü probleminin do ğ ası tanımlanmalıdır. Araştırmada kullanılacak verilerin yapısı açıklanmalıdır. Kullanılacak öngörü tekniklerinin kapasite ve sınırları tanımlanmalıdır. Seçilen kararın uygulanabilmesi için bazı ön kriterler geliştirilmelidir.

22 Dura ğ an Veriler için Öngörü Teknikleri 15.04.2015Pazarlıo ğ lu Basit(naive) yöntemleri, Basit Ortalamalar yöntemi, Hareketli ortalamalar,, Basit üstel düzeltme, Otoregressive hareketli ortalama (ARMA) modelleri

23 Dura ğ an Öngörü Tekniklerinin Kullanılması-I 15.04.2015Pazarlıo ğ lu Zaman serisini üreten süreç kararlı ise yani serinin oluştu ğ u ortam nispeten de ğ işmiyorsa, Mevcut verilerin yetersiz oldu ğ u durumlarda ya da tanımlama veya uygulama kolaylı ğ ı için basit model kullanma durumunda,

24 Dura ğ an Öngörü Tekniklerinin Kullanılması-II 15.04.2015Pazarlıo ğ lu Nüfus artışı ya da enflasyon gibi etmenlerin dikkate alınmasıyla yapılan düzeltmelerle elde edilen kararlılık durumunda, Seri dönüşüm işlemleri ile kararlı hale geliyorsa, Seri öngörü tekni ğ inden elde edilen öngörü hata dizisiyse.

25 Basit (Naive)Yöntemler-1 15.04.2015Pazarlıo ğ lu Yetersiz sayıda gözlem durumunda öngörü için kullanılan bir yöntemdir. Bu yöntemin dayandı ğ ı varsayım, serinin son dönemde aldı ğ ı de ğ erlerin gelece ğ in en iyi öngörüsü oldu ğ una dayanır.

26 Basit (Naive)Yöntemler-2 15.04.2015Pazarlıo ğ lu Basit öngörüde di ğ er gözlemler gözardı edildi ğ i için öngörü hızla yapılmakta ve de ğ işmektedir. Ancak bu bazı sorunlarıda peşi sıra getirmektedir. Tesadüfi dalgalanmaların etkisi öngörüye bir bütün olarak yansımaktadır.

27 Basit (Naive)Yöntemler-3 15.04.2015Pazarlıo ğ lu Yelki El Aletleri şiketinin testere 2002-2008 yıllarına ait testere(adet) satışları YıllartestereYıllartestere 2002-15002005-3250 2002-23502005-4550 2002-32502006-1550 2002-44002006-2400 2003-14502006-3350 2003-23502006-4600 2003-32002007-1750 2003-43002007-2500 2004-13502007-3400 2004-22002007-4650 2004-31502008-1850 2004-44002008-2600 2005-15502008-3450 2005-23502008-4700

28 Basit (Naive)Yöntemler-4 15.04.2015Pazarlıo ğ lu

29 Basit (Naive)Yöntemler-5 15.04.2015Pazarlıo ğ lu 2001-2007 dönemini öngörü için kullanalım. 2008 yılı de ğ erlerini ise öngörünün do ğ rulu ğ unu denetlemek için ayıralım. Bu durumda öngörü için kullanılacak 24 adet gözlem vardır.

30 Basit (Naive)Yöntemler-6 15.04.2015Pazarlıo ğ lu Veriler : E ğ ilime sahiptirler, Mevsimsel hareket göstermektedirler. Bu durumda yapılacak iş öngörü modelinde düzeltmeye gitmektir.

31 Basit (Naive)Yöntemler-7 15.04.2015Pazarlıo ğ lu Veriler, zamana göre artma e ğ ilimindedirler. Bu nedenle de e ğ ilime serinin dura ğ an olmadı ğ ını söyleyebiliriz. Böylece öngörü için en yakın de ğ eri kullandı ğ ımızda, cari de ğ erlerden çok farklı de ğ erler elde etmekteyiz. E ğ ilimi dikkate alarak öngörü modelini şu şekilde yeniden düzenleyebiliriz. Bu eşitlik çeyrekler arasında oluşan de ğ işim miktarını dikkate almaktadır.

32 Basit (Naive)Yöntemler-8 15.04.2015Pazarlıo ğ lu Bu modele göre 2008 yılının ilk çeyre ğ inin öngörü de ğ erini elde edelim: Bu modele ait öngörü hatası ise:

33 Basit (Naive)Yöntemler-9 15.04.2015Pazarlıo ğ lu Bazen mutlak de ğ işim miktarından ziyade de ğ işim oranı daha iyi öngörü de ğ eri elde etmek için uygun Bu modele göre 2008 yılının ilk çeyre ğ inin öngörü de ğ erini elde edelim:

34 Basit (Naive)Yöntemler-10 15.04.2015Pazarlıo ğ lu Bu modele ait öngörü hatası ise: Verilerde mevsimsel dalgalanma mevcuttur, İ lk ve dördüncü çeyrekler di ğ erlerine nazaran daha büyüktür, Bu şekilde mevsimsel dalgalanmaların kuvvetli oldu ğ u aşa ğ ıdaki model daha uygun olabilir: Öngörüsü yapılacak çeyrek için bir yıl önceki aynı çeyrek dikkate alınmaktadır. :

35 Basit (Naive)Yöntemler-11 15.04.2015Pazarlıo ğ lu Bu modele ait öngörü hatası ise: Bu modele göre 2008 yılının ilk çeyre ğ inin öngörü de ğ erini elde edelim:

36 Basit (Naive)Yöntemler-12 15.04.2015Pazarlıo ğ lu Burada Y t-3 mevsimsel dalgalamayı ifade etmekte iken, kalan ifade ise geçmiş son dört çeyrekteki de ğ işim miktarı ortalamasını göstermektedir: Bu yaklaşımın zayıf noktası ise dikkate alınan çeyrekten sonraki çeyrekleri ve e ğ ilimi gözardı etmektedir. Bunları dikkate almak için aşa ğ ıdaki düzeltme işlemlerini yapabiliriz:

37 Basit (Naive)Yöntemler-13 15.04.2015Pazarlıo ğ lu Bu modele göre 2008 yılının ilk çeyre ğ inin öngörü de ğ erini elde edelim: Bu modele ait öngörü hatası ise:

38 Ortalamalara Dayanan Öngörü Yöntemleri 15.04.2015Pazarlıo ğ lu Karar vericiler sayıları yüzleri ve hatta binleri bulan kalemler için öngörüde bulunmak sorunu ile karşı karşıyadırlar. Bu durumda oldukça hızlı, çok maliyet gerektirmeyen, nispeten basit öngörü araçlarına ihtiyaçları vardır. Bu sorunun üstesinden gelmek için karar vericiler ortalama ya da düzeltme tekniklerine dayanan yöntemleri kullanmaktadırlar.

39 Basit Ortalamalar-1 15.04.2015Pazarlıo ğ lu Zaman serisi verileri çeşitli şekillerde düzgünleştirilebilir. Amaç gelecek dönemleri öngörecek modeli geliştirmek için geçmiş verileri kullanmaktır. Basit ortalama gelecek dönemi öngörü için bütün geçmiş verilerin ortalamasını kullanır. t+1 dönemi için basit ortalama modeli :

40 Basit Ortalamalar-2 15.04.2015Pazarlıo ğ lu Basit ortalamalar yöntemi, öngörüsü yapılacak seriyi üreten güç kararlı oldu ğ unda uygun bir tekniktir. t+2 dönemi için öngörü:

41 Basit Ortalamalar-3 15.04.2015Pazarlıo ğ lu Bir nakliye şirketinin filosundaki araçlar için 30 hafta boyunca satın aldı ğ ı yakıt miktarına ilişkin veriler HaftaYakıtHaftaYakıtHaftaYakıt 12751130221310 22911228722299 33071329023285 42811431124250 52951527725260 62681624526245 72521728227271 82791827728282 92641929829302 102882030330285

42 Basit Ortalamalar-4 15.04.2015Pazarlıo ğ lu

43 Basit Ortalamalar-5 15.04.2015Pazarlıo ğ lu Şekil incelendi ğ inde serinin kararlı oldu ğ u görünmektedir. Yani dura ğ an bir seri oldu ğ u için basit ortalamalar yöntemi uygulanabilir. Öngörü uygulamasında ilk 28 haftalık veri seti kullanılıp, 29 ve 30 hafta verileri öngörünün gücünü sınamak için ayrılmıştır.

44 Basit Ortalamalar-6 15.04.2015Pazarlıo ğ lu 28+2 dönemi için öngörü:

45 Basit Ortalamalar-7 15.04.2015Pazarlıo ğ lu 31. dönem için öngörü:

46 Hareketli Ortalamalar-1 15.04.2015Pazarlıo ğ lu k.dereceden hareketli ortalama, k ardışık de ğ erin ortalamasıdır: k sayıdaki veri noktası seçilir ve bunların ortalaması hesaplanır. En eski veri noktası ortalama hesabından çıkartılır, bunun yerine yeni bir veri noktası ortalama hesabına dahil edilir ve yeniden ortalama hesaplanır. Bu işlem tüm veriler için uygulanır.

47 Hareketli Ortalamalar-2 15.04.2015Pazarlıo ğ lu Burada her gözleme eşit a ğ ırlık atanır. Her bir ortalamada yer alan veri noktası sayısı sabittir. Hareketli ortalama modeli ile e ğ ilim ya da mevsimsellik tam anlamıyla kontrol altına alınamaz.

48 Hareketli Ortalamalar-3 15.04.2015Pazarlıo ğ lu Bir nakliye şirketinin filosundaki araçlar için 30 hafta boyunca satın aldı ğ ı yakıt miktarı örne ğ i için hareketli ortalamaları elde edelim: 29.Gözlem için öngörü hatası:

49 Hareketli Ortalamalar-4 15.04.2015Pazarlıo ğ lu HaftaYakıt 1275 2291 3307 4281 5295 6268 7252 8279 9264 10288 11302 12287 13290 14311 15277 16245 17282 18277 19298 20303 21310 22299 23285 24250 25260 26245 27271 28282 29302 30285 Y-tah * * * * * 289.8 288.4 280.6 275 271.6 270.2 277 284 286.2 295.6 293.4 282 281 278.4 275.8 281 294 297.4 299 289.4 280.8 267.8 262.2 261.6 272 e * * * * * -21.8 -36.4 -1.6 -11 16.4 31.8 10 6 24.8 -18.6 -48.4 0 -4 19.6 27.2 29 5 -12.4 -49 -29.4 -35.8 3.2 19.8 40.4 13

50 Hareketli Ortalamalar-5 15.04.2015Pazarlıo ğ lu 31.Gözlem için öngörü:

51 Basit Ortalamalar-6 15.04.2015Pazarlıo ğ lu

52 Çift Hareketli Ortalamalar-1 15.04.2015Pazarlıo ğ lu Öngörüsü yapılacak zaman serinin e ğ ilime sahip olması durumunda uygulanır. Veri setine iki defa ardışık hareketli ortalamalar uygulanır. İ lk önce aşa ğ ıdaki M t hareketli ortalamalar seti hesaplanır: M t serisine bir daha hareketli ortalamalar uygulanarak M t serisi elde edilir:

53 Çift Hareketli Ortalamalar-2 15.04.2015Pazarlıo ğ lu İ lk ve ikinci harketli ortalamalar arasındaki fark ilk hareketli ortalamaya eklenerek öngörü geliştirilir: E ğ im katsayısına benzer bir düzeltme faktörü hesaplanır: Son olarak, p.dönemin öngörüsü için aşa ğ ıdaki eşitlik tahmin edilir:

54 Çift Hareketli Ortalamalar-3 15.04.2015Pazarlıo ğ lu haftaKira 1654 2658 3665 4672 5673 6671 7693 8694 9701 10703 11702 12710 13712 14711 15728 16

55 Çift Hareketli Ortalamalar-4 15.04.2015Pazarlıo ğ lu : haftaKira 1654 2658 3665 4672 5673 6671 7693 8694 9701 10703 11702 12710 13712 14711 15728 16 HO3=M t 659 665 670 672 679 686 696 699 702 705 708 711 717 etet 13 8 1 21 15 7 3 8 7 3 17

56 Çift Hareketli Ortalamalar-5 15.04.2015Pazarlıo ğ lu

57 Çift Hareketli Ortalamalar-6 15.04.2015Pazarlıo ğ lu : haftaKira 1654 2658 3665 4672 5673 6671 7693 8694 9701 10703 11702 12710 13712 14711 15728 16 HO3=M t 659 665 670 672 679 686 696 699 702 705 708 711 717 MtMt 664.7 669.0 673.7 679.0 687.0 693.8 699.1 702.1 705.0 708.0 712.0

58 Çift Hareketli Ortalamalar-7 15.04.2015Pazarlıo ğ lu

59 Çift Hareketli Ortalamalar-8 15.04.2015Pazarlıo ğ lu : haftaKira 1654 2658 3665 4672 5673 6671 7693 8694 9701 10703 11702 12710 13712 14711 15728 16 HO3=M t 659 665 670 672 679 686 696 699 702 705 708 711 717 MtMt 664.7 669.0 673.7 679.0 687.0 693.8 699.1 702.1 705.0 708.0 712.0 a=2M t -M t 675.3 675.0 684.3 693.0 705.0 704.9 707.9 711.0 714.0 722.0 b=(2/k-1)(M t -M t ) 5.3 3.0 5.3 7.0 9.0 5.6 2.9 3.0 5.0 a+bp 680.7 678.0 689.7 700.0 714.0 710.4 707.8 710.8 714.0 717.0 727.0 e -9.7 15.0 4.3 1.0 -11.0 -8.4 2.2 1.2 -3.0 11.0

60 Çift Hareketli Ortalamalar-9 15.04.2015Pazarlıo ğ lu

61 Üstel Düzeltme Yöntemi-1 15.04.2015Pazarlıo ğ lu Üstel düzeltme, en son tecrübenin ışı ğ ında öngörüyü sürekli olarak düzelten bir yöntemdir:

62 Üstel Düzeltme Yöntemi-2 15.04.2015Pazarlıo ğ lu Yelki El Aletleri şiketinin testere 2002-2008 yıllarına ait testere(adet) satışları YıllartestereYıllartestere 2002-15002005-3250 2002-23502005-4550 2002-32502006-1550 2002-44002006-2400 2003-14502006-3350 2003-23502006-4600 2003-32002007-1750 2003-43002007-2500 2004-13502007-3400 2004-22002007-4650 2004-31502008-1850 2004-44002008-2600 2005-15502008-3450 2005-23502008-4700

63 Üstel Düzeltme Yöntemi-3 15.04.2015Pazarlıo ğ lu Yıllartestere 2002-1500 2002-2350 2002-3250 2002-4400 2003-1450 2003-2350 2003-3200 2003-4300 2004-1350 2004-2200 2004-3150 2004-4400 2005-1550 2005-2350 2005-3250 2005-4550 2006-1550 2006-2400 2006-3350 2006-4600 2007-1750 2007-2500 2007-3400 2007-4650 2008-1850 2008-2600 2008-3450 2008-4700 Y-tah(a=0.1) 500.0 485.0 461.5 455.4 454.8 444.3 419.9 407.9 402.1 381.9 358.7 362.8 381.6 378.4 365.6 384.0 400.6 400.5 395.5 415.9 449.3 454.4 449.0 469.1 et 0.0 -150.0 -235.0 -61.5 -5.4 -104.8 -244.3 -119.9 -57.9 -202.1 -231.9 41.3 187.2 -31.6 -128.4 184.4 166.0 -0.6 -50.5 204.5 334.1 50.7 -54.4 201.0 Y-tah  =0.6) 500.0 410.0 314.0 365.6 416.2 376.5 270.6 288.2 325.3 250.1 190.0 316.0 456.4 392.6 307.0 452.8 511.1 444.4 387.8 515.1 656.0 562.4 465.0 576.0 et 0.0 -150.0 -160.0 86.0 84.4 -66.2 -176.5 29.4 61.8 -125.3 -100.1 210.0 234.0 -106.4 -142.6 243.0 97.2 -111.1 -94.4 212.2 234.9 -156.0 -162.4 185.0

64 Trendli Veriler için Öngörü Teknikleri 15.04.2015Pazarlıo ğ lu Hareketli Ortalamalar, Holt’s do ğ rusal üstel düzeltme, Basit Regresyon, Büyüme E ğ rileri, Üstel Modeller, Otoregressive bütünleşmiş hareketli ortalama (ARIMA) modelleri

65 Mevsimselli ğ i Düzeltilmiş Veriler 15.04.2015Pazarlıo ğ lu

66 Trendli Veriler için Öngörü Tekniklerinin Kullanılması 15.04.2015Pazarlıo ğ lu Artan verimlilik ve gelişen teknolojiler nedeniyle yaşam biçimlerinin de ğ işmesi, Artan nüfusun sebep oldu ğ u gıda ve hizmetler talebindeki artışlar, Enflasyon nedeniyle paranın satın alma gücündeki azalışlar Pazarın genişlemesi

67 Mevsimsel Veriler için Öngörü Teknikleri 15.04.2015Pazarlıo ğ lu CensusX-12, Winter’s Üstel Düzeltme, Çoklu Regresyon, ARIMA Modelleri

68 Mevsimsel Veriler için Öngörü Teknikleri 15.04.2015Pazarlıo ğ lu CensusX-12, Winter’s Üstel Düzeltme, Çoklu Regresyon, ARIMA Modelleri

69 Mevsimsel Veriler için Öngörü 15.04.2015Pazarlıo ğ lu İ klim etmeni, araştırmada kullanılan de ğ işkenleri etkileyebilir, Çalışma takvimi, araştırmada kullanılan de ğ işkenleri etkileyebilir,

70 Devri Hareketli Veriler için Öngörü 15.04.2015Pazarlıo ğ lu Ekonometrik modeller, ARIMA modelleri,

71 Devri Hareketli Veriler için Öngörü 15.04.2015Pazarlıo ğ lu Ulusal ve/veya Uluslar arası Ekonomilerdeki dalgalanmalar araştırmada kullanılan de ğ işkenleri etkileyebilir, E ğ ilimlerdeki de ğ işmeler araştırmada kullanılan de ğ işkenleri etkileyebilir,

72 Devri Hareketli Veriler için Öngörü 15.04.2015Pazarlıo ğ lu Nüfustaki dönemsel de ğ işmeler araştırmada kullanılan de ğ işkenleri etkileyebilir, Üretim evrelerindeki de ğ işmeler araştırmada kullanılan de ğ işkenleri etkileyebilir,

73 Artık (Residual) 15.04.2015Pazarlıo ğ lu De ğ işkenlerin cari de ğ erleri ile öngörü de ğ erleri arasındaki fark artık (residual) olarak adlandırılmaktadır.,

74 Ortalama Mutlak Sapma Mean Absolute Deviation (MAD) 15.04.2015Pazarlıo ğ lu Serinin ölçüldü ğ ü birim ile öngörü hatasını ölçmek için kullanılır. Formül ekle

75 Ortalama Hata Kareler Mean Squared Error(MSE) 15.04.2015Pazarlıo ğ lu Hataların kareleri alındı ğ ı için bu yaklaşım, büyük öngörü hatalarını cezalandırır. Böylece daha küçük hatalar üreten yöntem tercih edilir. Formül ekle

76 Ortalama Mutlak Yüzde Hata Mean Absolute Percetage Error (MAPE) 15.04.2015Pazarlıo ğ lu Sayısal de ğ erlerinden ziyade yüzdelere göre öngörü hatalarını hesaplamak için kullanılan ölçüm. Formül ekle

77 Öngörü Ölçülerinin Kullanımı 15.04.2015Pazarlıo ğ lu İ ki farklı tekni ğ in do ğ rulu ğ unun karşılaştırılması, Tekniklerin kullanışlı ğ ının veya güvenli ğ inin ölçülmesi, En iyi tekni ğ in araştırılması.

78 Öngörü Ölçüleri :Örnek-1 15.04.2015Pazarlıo ğ lu Müşteri 58 54 60 55 62 65 63 70 öngörü - 58 54 60 55 62 65 63 Toplam hata - -4 6 -5 7 0 3 -2 7 12 |e||e| - 4 6 5 7 0 3 2 7 34 e2e2 - 16 36 25 49 0 9 4 188 | e |/ Y - 7.4 10.0 9.1 11.3 0.0 4.6 3.2 10.0 55.6 e/Ye/Y - -7.4 10.0 -9.1 11.3 0.0 4.6 -3.2 10.0 16.2

79 Öngörü Ölçüleri :Örnek-1 15.04.2015Pazarlıo ğ lu MAD=34/8=4.3 Her bir öngörü ortalama 4.3 müşteri sapmaktadır. MSE=188/8=23.5 MAPE=55.6/8=%6.95 MPE=16.2/8=%2.03


"Otokorelasyon Analizi 15.04.2015Pazarlıo ğ lu Otokorelasyon, bir de ğ işkenin bir dönem gecikmeli ya da daha fazla dönem gecikmeli de ğ erleri arasındaki." indir ppt

Benzer bir sunumlar


Google Reklamları