Sunuyu indir
1
Otokorelasyon Analizi
Otokorelasyon, bir değişkenin bir dönem gecikmeli ya da daha fazla dönem gecikmeli değerleri arasındaki ilişkidir. Pazarlıoğlu
2
Gecikmeli değer kavramı
Aylar Yt Yt-1 Yt-2 Ocak 123 Şubat 130 Mart 125 Nisan 138 Mayıs 145 Haziran 142 Temmuz 141 Ağustos 146 Eylül 147 Ekim 157 Kasım 150 Aralık 160 Pazarlıoğlu
3
rk için gerekli hesaplamalar
Aylar Yt Ocak 123 Şubat 130 Mart 125 Nisan 138 Mayıs 145 Haziran 142 Temmuz 141 Ağustos 146 Eylül 147 Ekim 157 Kasım 150 Aralık 160 Yt-Yort -19 -12 -17 -4 3 -1 4 5 15 8 18 Yt-1 123 130 125 138 145 142 141 146 147 157 150 Yt-1-Yort -19 -12 -17 -4 3 -1 4 5 15 8 (Yt-Yort)(Yt-1-Yort) 123 130 125 138 145 142 141 146 147 157 150 (Yt-Yort)2 123 130 125 138 145 142 141 146 147 157 150 843 1474 1704 Pazarlıoğlu Yort=142
4
1. Gecikme için Otokorelasyon Katsayısı
Pazarlıoğlu
5
Korelogram Bir zaman serisinin farklı gecikmelerine göre hesaplanan otokorelasyon katsayılarının grafiğine korelogram ya da otokorelasyon fonksiyonu adı verilir. Pazarlıoğlu
6
Otokorelasyon katsayıları
Autocorrelations Series:Yt Lag Autocorrelation Std. Errora Box-Ljung Statistic Value df Sig.b 1 ,572 ,256 4,995 1 ,025 2 ,463 ,244 8,592 2 ,014 3 ,111 ,231 8,820 3 ,032 4 ,016 ,218 8,825 4 ,066 5 -,033 ,204 8,852 5 ,115 6 -,102 ,189 9,142 6 ,166 7 -,250 , ,248 7 ,128 8 -,328 , ,757 8 ,046 9 -,466 , ,922 9 ,001 10 -,250 , , ,000 a. The underlying process assumed is independence (white noise). b. Based on the asymptotic chi-square approximation. Pazarlıoğlu
7
Korelogram Pazarlıoğlu
8
Otokorelasyon katsayıları
Bir zaman serisi değişkeninin farklı gecikmelere göre hesaplanan otokorelasyon katsayıları izleyen soruları cevaplamakta kullanılır. Veriler tesadüfi midir? Veriler bir trende sahip midirler? Veriler durağan mıdırlar? Verilerde mevsimsel hareket var mıdır? Pazarlıoğlu
9
Verilerin tesadüfi olması-I
Eğer bir seri tesadüfi ise, her hangi bir gecikmede yani Yt ve Yt-k arasındaki otokorelasyonlar sıfıra yakın olmaktadır. Bu durumda zaman serisinin ardışık değerlerinin birbirleriyle ilişkisi yoktur. Pazarlıoğlu
10
Verilerin tesadüfi olması-II
Pazarlıoğlu
11
Verilerin tesadüfi olması-III
Pazarlıoğlu
12
Verilerin trende sahip olması
Eğer bir zaman serisi trende sahipse ise, Yt ve Yt-1 arasında yüksek korelasyon bulunacaktır. Birkaç gecikmeden sonra otokorelasyon katsayıları hızlıca sıfıra yaklaşacaktır. İlk gecikmede otokorelasyon kat sayısı 1’e yakındır. İkinci gecikmede de oldukça yüksektir. Ve daha sonra hızlıca azalır. Pazarlıoğlu
13
Otokorelasyon katsayıları
Autocorrelations Series:Yt Lag Autocorrelation Std. Errora Box-Ljung Statistic Value df Sig.b 1 ,572 ,256 4,995 1 ,025 2 ,463 ,244 8,592 2 ,014 3 ,111 ,231 8,820 3 ,032 4 ,016 ,218 8,825 4 ,066 5 -,033 ,204 8,852 5 ,115 6 -,102 ,189 9,142 6 ,166 7 -,250 , ,248 7 ,128 8 -,328 , ,757 8 ,046 9 -,466 , ,922 9 ,001 10 -,250 , , ,000 a. The underlying process assumed is independence (white noise). b. Based on the asymptotic chi-square approximation. Pazarlıoğlu
14
Verilerin Mevsimlik harekete sahip olması
Eğer bir zaman serisi mevsimsel harekete sahipse ise, mevsimsel gecikmelerde anlamlı otokorelasyon katsayılarına sahip olacaktır. Pazarlıoğlu
15
Durağanlık Zaman serisi modellerinde değişkenlerin durağan oldukları varsayılır. Bu varsayım etkin ve tutarlı tahminler elde etmek için gereklidir. Pazarlıoğlu
16
Durağanlığın Tanımı Zaman serisi modellerinde rassal değişken Xt zaman boyunca ortalaması sabit ve sabit varyanslı durağan bir stokastik süreç olarak tanımlanır. E(Xt) = sabit (tüm t’ ler için) Var(Xt) = sabit (tüm t’ ler için) Cov(Xt,Xt+k)= sabit (tüm t’ ler için tüm k0 için) Pazarlıoğlu
17
Kovaryans durağanlığı
Cov(Xt,Xt+k) ifadesi, X’in her hangi iki değeri arasında zamana göre farklılaşmayan her hangi iki değeri arasında zamana değil de yalnızca farka(gecikmeye) dayanan kovaryansı ve dolayısıyla korelasyonu göstermektedir. Cov(Xt,Xt+4); Cov (X10, X14) = Cov (X13, X17) =Cov (X16,X20) Cov(Xt,Xt+6); Cov (X10, X16) = Cov (X13, X19) =Cov (X16,X22) Pazarlıoğlu
18
Durağan-dışılık-1 Xt Xt t t Pazarlıoğlu
19
Durağan-dışılık-1I Xt t Pazarlıoğlu
20
Öngörü Tekniğinin Seçimi-I
Öngörü neden gereklidir? Öngörüyü kim kullanacak? Eldeki verilerin özellikleri nedir? Öngörülecek dönem nedir? Öngörüde için en az ne kadar veri gereklidir? Ne kadar doğruluk arzulanmaktadır? Öngörü maliyeti ne kadardır? Pazarlıoğlu
21
Öngörü Tekniğinin Seçimi-II
Öngörü probleminin doğası tanımlanmalıdır. Araştırmada kullanılacak verilerin yapısı açıklanmalıdır. Kullanılacak öngörü tekniklerinin kapasite ve sınırları tanımlanmalıdır. Seçilen kararın uygulanabilmesi için bazı ön kriterler geliştirilmelidir. Pazarlıoğlu
22
Durağan Veriler için Öngörü Teknikleri
Basit(naive) yöntemleri, Basit Ortalamalar yöntemi, Hareketli ortalamalar,, Basit üstel düzeltme, Otoregressive hareketli ortalama (ARMA) modelleri Pazarlıoğlu
23
Durağan Öngörü Tekniklerinin Kullanılması-I
Zaman serisini üreten süreç kararlı ise yani serinin oluştuğu ortam nispeten değişmiyorsa, Mevcut verilerin yetersiz olduğu durumlarda ya da tanımlama veya uygulama kolaylığı için basit model kullanma durumunda, Pazarlıoğlu
24
Durağan Öngörü Tekniklerinin Kullanılması-II
Nüfus artışı ya da enflasyon gibi etmenlerin dikkate alınmasıyla yapılan düzeltmelerle elde edilen kararlılık durumunda, Seri dönüşüm işlemleri ile kararlı hale geliyorsa, Seri öngörü tekniğinden elde edilen öngörü hata dizisiyse. Pazarlıoğlu
25
Basit (Naive)Yöntemler-1
Yetersiz sayıda gözlem durumunda öngörü için kullanılan bir yöntemdir. Bu yöntemin dayandığı varsayım, serinin son dönemde aldığı değerlerin geleceğin en iyi öngörüsü olduğuna dayanır. Pazarlıoğlu
26
Basit (Naive)Yöntemler-2
Basit öngörüde diğer gözlemler gözardı edildiği için öngörü hızla yapılmakta ve değişmektedir. Ancak bu bazı sorunlarıda peşi sıra getirmektedir. Tesadüfi dalgalanmaların etkisi öngörüye bir bütün olarak yansımaktadır. Pazarlıoğlu
27
Basit (Naive)Yöntemler-3
Yelki El Aletleri şiketinin testere yıllarına ait testere(adet) satışları Yıllar testere 2002-1 500 2005-3 250 2002-2 350 2005-4 550 2002-3 2006-1 2002-4 400 2006-2 2003-1 450 2006-3 2003-2 2006-4 600 2003-3 200 2007-1 750 2003-4 300 2007-2 2004-1 2007-3 2004-2 2007-4 650 2004-3 150 2008-1 850 2004-4 2008-2 2005-1 2008-3 2005-2 2008-4 700 Pazarlıoğlu
28
Basit (Naive)Yöntemler-4
Pazarlıoğlu
29
Basit (Naive)Yöntemler-5
dönemini öngörü için kullanalım yılı değerlerini ise öngörünün doğruluğunu denetlemek için ayıralım. Bu durumda öngörü için kullanılacak 24 adet gözlem vardır. Pazarlıoğlu
30
Basit (Naive)Yöntemler-6
Veriler : Eğilime sahiptirler, Mevsimsel hareket göstermektedirler. Bu durumda yapılacak iş öngörü modelinde düzeltmeye gitmektir. Pazarlıoğlu
31
Basit (Naive)Yöntemler-7
Veriler, zamana göre artma eğilimindedirler. Bu nedenle de eğilime serinin durağan olmadığını söyleyebiliriz. Böylece öngörü için en yakın değeri kullandığımızda, cari değerlerden çok farklı değerler elde etmekteyiz. Eğilimi dikkate alarak öngörü modelini şu şekilde yeniden düzenleyebiliriz. Bu eşitlik çeyrekler arasında oluşan değişim miktarını dikkate almaktadır. Pazarlıoğlu
32
Basit (Naive)Yöntemler-8
Bu modele göre 2008 yılının ilk çeyreğinin öngörü değerini elde edelim: Bu modele ait öngörü hatası ise: Pazarlıoğlu
33
Basit (Naive)Yöntemler-9
Bazen mutlak değişim miktarından ziyade değişim oranı daha iyi öngörü değeri elde etmek için uygun Bu modele göre 2008 yılının ilk çeyreğinin öngörü değerini elde edelim: Pazarlıoğlu
34
Basit (Naive)Yöntemler-10
Bu modele ait öngörü hatası ise: Verilerde mevsimsel dalgalanma mevcuttur, İlk ve dördüncü çeyrekler diğerlerine nazaran daha büyüktür, Bu şekilde mevsimsel dalgalanmaların kuvvetli olduğu aşağıdaki model daha uygun olabilir: Öngörüsü yapılacak çeyrek için bir yıl önceki aynı çeyrek dikkate alınmaktadır. : Pazarlıoğlu
35
Basit (Naive)Yöntemler-11
Bu modele göre 2008 yılının ilk çeyreğinin öngörü değerini elde edelim: Bu modele ait öngörü hatası ise: Pazarlıoğlu
36
Basit (Naive)Yöntemler-12
Bu yaklaşımın zayıf noktası ise dikkate alınan çeyrekten sonraki çeyrekleri ve eğilimi gözardı etmektedir. Bunları dikkate almak için aşağıdaki düzeltme işlemlerini yapabiliriz: Burada Yt-3 mevsimsel dalgalamayı ifade etmekte iken, kalan ifade ise geçmiş son dört çeyrekteki değişim miktarı ortalamasını göstermektedir: Pazarlıoğlu
37
Basit (Naive)Yöntemler-13
Bu modele göre 2008 yılının ilk çeyreğinin öngörü değerini elde edelim: Bu modele ait öngörü hatası ise: Pazarlıoğlu
38
Ortalamalara Dayanan Öngörü Yöntemleri
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. Pazarlıoğlu
39
Basit Ortalamalar-1 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 : Pazarlıoğlu
40
Basit Ortalamalar-2 t+2 dönemi için öngörü:
Basit ortalamalar yöntemi, öngörüsü yapılacak seriyi üreten güç kararlı olduğunda uygun bir tekniktir. Pazarlıoğlu
41
Basit Ortalamalar-3 Bir nakliye şirketinin filosundaki araçlar için 30 hafta boyunca satın aldığı yakıt miktarına ilişkin veriler Hafta Yakıt 1 275 11 302 21 310 2 291 12 287 22 299 3 307 13 290 23 285 4 281 14 311 24 250 5 295 15 277 25 260 6 268 16 245 26 7 252 17 282 27 271 8 279 18 28 9 264 19 298 29 10 288 20 303 30 Pazarlıoğlu
42
Basit Ortalamalar-4 Pazarlıoğlu
43
Basit Ortalamalar-5 Şekil incelendiğinde serinin kararlı olduğu görünmektedir. Yani durağan bir seri olduğu için basit ortalamalar yöntemi uygulanabilir. Öngörü uygulamasında ilk 28 haftalık veri seti kullanılıp, 29 ve 30 hafta verileri öngörünün gücünü sınamak için ayrılmıştır. Pazarlıoğlu
44
Basit Ortalamalar-6 28+2 dönemi için öngörü: Pazarlıoğlu
45
Basit Ortalamalar-7 31. dönem için öngörü: Pazarlıoğlu
46
Hareketli Ortalamalar-1
k.dereceden hareketli ortalama, k ardışık değerin 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. Pazarlıoğlu
47
Hareketli Ortalamalar-2
Burada her gözleme eşit ağırlık atanır. Her bir ortalamada yer alan veri noktası sayısı sabittir. Hareketli ortalama modeli ile eğilim ya da mevsimsellik tam anlamıyla kontrol altına alınamaz. Pazarlıoğlu
48
Hareketli Ortalamalar-3
Bir nakliye şirketinin filosundaki araçlar için 30 hafta boyunca satın aldığı yakıt miktarı örneği için hareketli ortalamaları elde edelim: 29.Gözlem için öngörü hatası: Pazarlıoğlu
49
Hareketli Ortalamalar-4
Hafta Yakıt 1 275 2 291 3 307 4 281 5 295 6 268 7 252 8 279 9 264 10 288 11 302 12 287 13 290 14 311 15 277 16 245 17 282 18 19 298 20 303 21 310 22 299 23 285 24 250 25 260 26 27 271 28 29 30 Y-tah * 289.8 288.4 280.6 275 271.6 270.2 277 284 286.2 295.6 293.4 282 281 278.4 275.8 294 297.4 299 289.4 280.8 267.8 262.2 261.6 272 e * -21.8 -36.4 -1.6 -11 16.4 31.8 10 6 24.8 -18.6 -48.4 -4 19.6 27.2 29 5 -12.4 -49 -29.4 -35.8 3.2 19.8 40.4 13 Pazarlıoğlu
50
Hareketli Ortalamalar-5
31.Gözlem için öngörü: Pazarlıoğlu
51
Basit Ortalamalar-6 Pazarlıoğlu
52
Çift Hareketli Ortalamalar-1
Öngörüsü yapılacak zaman serinin eğilime sahip olması durumunda uygulanır. Veri setine iki defa ardışık hareketli ortalamalar uygulanır. İlk önce aşağıdaki Mt hareketli ortalamalar seti hesaplanır: Mt serisine bir daha hareketli ortalamalar uygulanarak Mt serisi elde edilir: Pazarlıoğlu
53
Çift Hareketli Ortalamalar-2
İlk ve ikinci harketli ortalamalar arasındaki fark ilk hareketli ortalamaya eklenerek öngörü geliştirilir: Eğim katsayısına benzer bir düzeltme faktörü hesaplanır: Son olarak, p.dönemin öngörüsü için aşağıdaki eşitlik tahmin edilir: Pazarlıoğlu
54
Çift Hareketli Ortalamalar-3
hafta Kira 1 654 2 658 3 665 4 672 5 673 6 671 7 693 8 694 9 701 10 703 11 702 12 710 13 712 14 711 15 728 16 Pazarlıoğlu
55
Çift Hareketli Ortalamalar-4
hafta Kira 1 654 2 658 3 665 4 672 5 673 6 671 7 693 8 694 9 701 10 703 11 702 12 710 13 712 14 711 15 728 16 HO3=Mt 659 665 670 672 679 686 696 699 702 705 708 711 717 et 13 8 1 21 15 7 3 17 : Pazarlıoğlu
56
Çift Hareketli Ortalamalar-5
Pazarlıoğlu
57
Çift Hareketli Ortalamalar-6
: hafta Kira 1 654 2 658 3 665 4 672 5 673 6 671 7 693 8 694 9 701 10 703 11 702 12 710 13 712 14 711 15 728 16 HO3=Mt 659 665 670 672 679 686 696 699 702 705 708 711 717 Mt 664.7 669.0 673.7 679.0 687.0 693.8 699.1 702.1 705.0 708.0 712.0 Pazarlıoğlu
58
Çift Hareketli Ortalamalar-7
Pazarlıoğlu
59
Çift Hareketli Ortalamalar-8
: hafta Kira 1 654 2 658 3 665 4 672 5 673 6 671 7 693 8 694 9 701 10 703 11 702 12 710 13 712 14 711 15 728 16 HO3=Mt 659 665 670 672 679 686 696 699 702 705 708 711 717 Mt 664.7 669.0 673.7 679.0 687.0 693.8 699.1 702.1 705.0 708.0 712.0 a=2Mt-Mt 675.3 675.0 684.3 693.0 705.0 704.9 707.9 711.0 714.0 722.0 b=(2/k-1)(Mt-Mt) 5.3 3.0 7.0 9.0 5.6 2.9 5.0 a+bp 680.7 678.0 689.7 700.0 714.0 710.4 707.8 710.8 717.0 727.0 e -9.7 15.0 4.3 1.0 -11.0 -8.4 2.2 1.2 -3.0 11.0 Pazarlıoğlu
60
Çift Hareketli Ortalamalar-9
Pazarlıoğlu
61
Üstel Düzeltme Yöntemi-1
Üstel düzeltme, en son tecrübenin ışığında öngörüyü sürekli olarak düzelten bir yöntemdir: Pazarlıoğlu
62
Üstel Düzeltme Yöntemi-2
Yelki El Aletleri şiketinin testere yıllarına ait testere(adet) satışları Yıllar testere 2002-1 500 2005-3 250 2002-2 350 2005-4 550 2002-3 2006-1 2002-4 400 2006-2 2003-1 450 2006-3 2003-2 2006-4 600 2003-3 200 2007-1 750 2003-4 300 2007-2 2004-1 2007-3 2004-2 2007-4 650 2004-3 150 2008-1 850 2004-4 2008-2 2005-1 2008-3 2005-2 2008-4 700 Pazarlıoğlu
63
Üstel Düzeltme Yöntemi-3
Yıllar testere 2002-1 500 2002-2 350 2002-3 250 2002-4 400 2003-1 450 2003-2 2003-3 200 2003-4 300 2004-1 2004-2 2004-3 150 2004-4 2005-1 550 2005-2 2005-3 2005-4 2006-1 2006-2 2006-3 2006-4 600 2007-1 750 2007-2 2007-3 2007-4 650 2008-1 850 2008-2 2008-3 2008-4 700 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(a=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 Pazarlıoğlu
64
Trendli Veriler için Öngörü Teknikleri
Hareketli Ortalamalar, Holt’s doğrusal üstel düzeltme, Basit Regresyon, Büyüme Eğrileri, Üstel Modeller, Otoregressive bütünleşmiş hareketli ortalama (ARIMA) modelleri Pazarlıoğlu
65
Mevsimselliği Düzeltilmiş Veriler
Pazarlıoğlu
66
Trendli Veriler için Öngörü Tekniklerinin Kullanılması
Artan verimlilik ve gelişen teknolojiler nedeniyle yaşam biçimlerinin değişmesi, Artan nüfusun sebep olduğu gıda ve hizmetler talebindeki artışlar, Enflasyon nedeniyle paranın satın alma gücündeki azalışlar Pazarın genişlemesi Pazarlıoğlu
67
Mevsimsel Veriler için Öngörü Teknikleri
CensusX-12, Winter’s Üstel Düzeltme, Çoklu Regresyon, ARIMA Modelleri Pazarlıoğlu
68
Mevsimsel Veriler için Öngörü Teknikleri
CensusX-12, Winter’s Üstel Düzeltme, Çoklu Regresyon, ARIMA Modelleri Pazarlıoğlu
69
Mevsimsel Veriler için Öngörü
İklim etmeni, araştırmada kullanılan değişkenleri etkileyebilir, Çalışma takvimi, araştırmada kullanılan değişkenleri etkileyebilir, Pazarlıoğlu
70
Devri Hareketli Veriler için Öngörü
Ekonometrik modeller, ARIMA modelleri, Pazarlıoğlu
71
Devri Hareketli Veriler için Öngörü
Ulusal ve/veya Uluslar arası Ekonomilerdeki dalgalanmalar araştırmada kullanılan değişkenleri etkileyebilir, Eğilimlerdeki değişmeler araştırmada kullanılan değişkenleri etkileyebilir, Pazarlıoğlu
72
Devri Hareketli Veriler için Öngörü
Nüfustaki dönemsel değişmeler araştırmada kullanılan değişkenleri etkileyebilir, Üretim evrelerindeki değişmeler araştırmada kullanılan değişkenleri etkileyebilir, Pazarlıoğlu
73
Artık (Residual) Değişkenlerin cari değerleri ile öngörü değerleri arasındaki fark artık (residual) olarak adlandırılmaktadır., Pazarlıoğlu
74
Ortalama Mutlak Sapma Mean Absolute Deviation (MAD)
Serinin ölçüldüğü birim ile öngörü hatasını ölçmek için kullanılır. Formül ekle Pazarlıoğlu
75
Ortalama Hata Kareler Mean Squared Error(MSE)
Hataların kareleri alındığı için bu yaklaşım, büyük öngörü hatalarını cezalandırır. Böylece daha küçük hatalar üreten yöntem tercih edilir. Formül ekle Pazarlıoğlu
76
Ortalama Mutlak Yüzde Hata Mean Absolute Percetage Error (MAPE)
Sayısal değerlerinden ziyade yüzdelere göre öngörü hatalarını hesaplamak için kullanılan ölçüm. Formül ekle Pazarlıoğlu
77
Öngörü Ölçülerinin Kullanımı
İki farklı tekniğin doğruluğunun karşılaştırılması, Tekniklerin kullanışlığının veya güvenliğinin ölçülmesi, En iyi tekniğin araştırılması. Pazarlıoğlu
78
Öngörü Ölçüleri :Örnek-1
Müşteri 58 54 60 55 62 65 63 70 öngörü - 58 54 60 55 62 65 63 Toplam hata - -4 6 -5 7 3 -2 12 |e| - 4 6 5 7 3 2 34 e2 - 16 36 25 49 9 4 188 |e|/Y - 7.4 10.0 9.1 11.3 0.0 4.6 3.2 55.6 e/Y - -7.4 10.0 -9.1 11.3 0.0 4.6 -3.2 16.2 Pazarlıoğlu
79
Öngörü Ölçüleri :Örnek-1
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 Pazarlıoğlu
Benzer bir sunumlar
© 2024 SlidePlayer.biz.tr Inc.
All rights reserved.