Прогнозирование урожайности различными методами
Краткое сожержание материала:
33
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 у=3,694
Для модели регрессии показательной функции имеем:
AIC= 5,477785725 BIC= 2,831740437 у=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 |