Suma wskaźników sezonowości (oczyszczonych) w przypadku wahań miesięcznych:
jest równa 1200%
jest równa 12%
jest równa 12
jest równa 1200%
jest równa 12
Suma wskaźników sezonowości (oczyszczonych) w przypadku wahań miesięcznych:
jest równa 1200%
jest równa 12%
jest równa 12
jest równa 1200%
jest równa 12
Suma oczyszczonych bezwzględnych wahań sezonowych (model addytywny) w przypadku wahań miesięcznych:
jest równa 0
jest równa 12
zależy od liczby cykli
jest równa 0
Suma oczyszczonych bezwzględnych wahań sezonowych (model addytywny) w przypadku wahań miesięcznych:
jest równa 0
jest równa 12
zależy od liczby cykli
jest równa 0
Modele adaptacyjne znajdują zastosowanie w prognozowaniu:
długoterminowym
średniterminowym
krótkoterminowym
krótkoterminowym
Modele adaptacyjne znajdują zastosowanie w prognozowaniu:
długoterminowym
średniterminowym
krótkoterminowym
krótkoterminowym
Metodę średnich ruchomych można stosować w przypadku szeregów czasowych:
bez trendu i z wahaniami okresowymi
bez trendu i bez wahań okresowych
z trendem i bez wahań okresowych
bez trendu i bez wahań okresowych
Metodę średnich ruchomych można stosować w przypadku szeregów czasowych:
bez trendu i z wahaniami okresowymi
bez trendu i bez wahań okresowych
z trendem i bez wahań okresowych
bez trendu i bez wahań okresowych
Przy obliczaniu prognozy metodą średniej ruchomej ważonej wartością zmiennej:
nie przypisuje się wag
zawsze przypisuje się takie same wagi
można przypisać różne wagi
można przypisać różne wagi
Przy obliczaniu prognozy metodą średniej ruchomej ważonej wartością zmiennej:
nie przypisuje się wag
zawsze przypisuje się takie same wagi
można przypisać różne wagi
można przypisać różne wagi
Metody naiwne znajdują zastosowanie w prognozowaniu:
długoterminowym
średnioterminowym
krótkoterminowym
krótkoterminowym
Metody naiwne znajdują zastosowanie w prognozowaniu:
długoterminowym
średnioterminowym
krótkoterminowym
krótkoterminowym
W metodzie wyrównywania wykładniczego wartość wygładzona (dla t >1) jest średnią ważoną:
wartości rzeczywistej i średniej ważonej kilku poprzednich wartości wygładzonych
wartości rzeczywistej i poprzedniej wartości wygładzonej
wartości rzeczywistej oraz poprzedniej wartości wygładzonej, powiększonej o wygładzony przyrost
wartości rzeczywistej i poprzedniej wartości wygładzonej
W metodzie wyrównywania wykładniczego wartość wygładzona (dla t >1) jest średnią ważoną:
wartości rzeczywistej i średniej ważonej kilku poprzednich wartości wygładzonych
wartości rzeczywistej i poprzedniej wartości wygładzonej
wartości rzeczywistej oraz poprzedniej wartości wygładzonej, powiększonej o wygładzony przyrost
wartości rzeczywistej i poprzedniej wartości wygładzonej
W przypadku zmiennej charakteryzującej się częstymi i nieregularnymi zmianami trendu stała wygładza-nia α w metodzie wyrównywania wykładniczego przyjmuje wartość bliską:
zeru
1/2
jedności
jedności
W przypadku zmiennej charakteryzującej się częstymi i nieregularnymi zmianami trendu stała wygładza-nia α w metodzie wyrównywania wykładniczego przyjmuje wartość bliską:
zeru
1/2
jedności
jedności
10. Metodę podwójnego wygładzania wykładniczego stosujemy w przypadku szeregów czasowych:
stacjonarnych
z trendem nieliniowym
z trendem liniowym
z trendem liniowym
10. Metodę podwójnego wygładzania wykładniczego stosujemy w przypadku szeregów czasowych:
stacjonarnych
z trendem nieliniowym
z trendem liniowym
z trendem liniowym
W metodzie wyrównywania wykładniczo-autoregresyjnego wartość wygładzona (dla t >k) jest średnią ważoną:
wartości rzeczywistej i poprzedniej wartości wygładzonej
wartości rzeczywistej i średniej ważonej kilku poprzednich wartości wygładzonych
wartości rzeczywistej oraz poprzedniej wartości wygładzonej, powiększonej o wygładzony przyrost
wartości rzeczywistej i średniej ważonej kilku poprzednich wartości wygładzonych
W metodzie wyrównywania wykładniczo-autoregresyjnego wartość wygładzona (dla t >k) jest średnią ważoną:
wartości rzeczywistej i poprzedniej wartości wygładzonej
wartości rzeczywistej i średniej ważonej kilku poprzednich wartości wygładzonych
wartości rzeczywistej oraz poprzedniej wartości wygładzonej, powiększonej o wygładzony przyrost
wartości rzeczywistej i średniej ważonej kilku poprzednich wartości wygładzonych
Etap wygładzania w metodzie wyrównywania wykładniczo-autoregresyjnego jest taki sam, jak w metodzie wyrównywania wykładniczego, gdy:
Beta1=1
k=1
alfa = 1/2
Beta1=1
k=1
Etap wygładzania w metodzie wyrównywania wykładniczo-autoregresyjnego jest taki sam, jak w metodzie wyrównywania wykładniczego, gdy:
Beta1=1
k=1
alfa = 1/2
Beta1=1
k=1
W metodzie Holta wartość wygładzona (dla t >1) jest średnią ważoną:
wartości rzeczywistej i średniej ważonej kilku poprzednich wartości wygładzonych
wartości rzeczywistej oraz poprzedniej wartości wygładzonej, o powiększonej o wygładzony przyrost
wartości rzeczywistej i poprzedniej wartości wygładzonej
wartości rzeczywistej oraz poprzedniej wartości wygładzonej, o powiększonej o wygładzony przyrost
W metodzie Holta wartość wygładzona (dla t >1) jest średnią ważoną:
wartości rzeczywistej i średniej ważonej kilku poprzednich wartości wygładzonych
wartości rzeczywistej oraz poprzedniej wartości wygładzonej, o powiększonej o wygładzony przyrost
wartości rzeczywistej i poprzedniej wartości wygładzonej
wartości rzeczywistej oraz poprzedniej wartości wygładzonej, o powiększonej o wygładzony przyrost
Metoda trendu pełzającego znajduje zastosowanie w prognozowaniu:
średnioterminowym
krótkoterminowym
długoterminowym
krótkoterminowym
Metoda trendu pełzającego znajduje zastosowanie w prognozowaniu:
średnioterminowym
krótkoterminowym
długoterminowym
krótkoterminowym
Równań odcinkowych w metodzie trendu pełzającego z k = 7, dla szeregu czasowego zawierającego 14 okresów, możemy wyznaczyć:
14
7
8
8
Równań odcinkowych w metodzie trendu pełzającego z k = 7, dla szeregu czasowego zawierającego 14 okresów, możemy wyznaczyć:
14
7
8
8
Wagi harmoniczne dają:
monotonicznie rosnące udziały dla informacji coraz dalszych ostatniego wyrazu badanego szeregu czasowego
monotonicznie malejące udziały dla informacji coraz bliższych ostatniemu wyrazowi badanego szeregu czasowego
monotonicznie rosnące udziały dla informacji coraz bliższych ostatniemu wyrazowi badanego szeregu czasowego
monotonicznie rosnące udziały dla informacji coraz bliższych ostatniemu wyrazowi badanego szeregu czasowego
Wagi harmoniczne dają:
monotonicznie rosnące udziały dla informacji coraz dalszych ostatniego wyrazu badanego szeregu czasowego
monotonicznie malejące udziały dla informacji coraz bliższych ostatniemu wyrazowi badanego szeregu czasowego
monotonicznie rosnące udziały dla informacji coraz bliższych ostatniemu wyrazowi badanego szeregu czasowego
monotonicznie rosnące udziały dla informacji coraz bliższych ostatniemu wyrazowi badanego szeregu czasowego
Błędy predykcji możemy oszacować ex ante w przypadku metody:
Wintersa
Holta
trendu pełzającego z wagami harmonicznymi
trendu pełzającego z wagami harmonicznymi
Błędy predykcji możemy oszacować ex ante w przypadku metody:
Wintersa
Holta
trendu pełzającego z wagami harmonicznymi
trendu pełzającego z wagami harmonicznymi
Wykorzystując liniowy lub sprowadzalny do postaci liniowej model przyczynowo opisowy można:
oszacować ex ante błędów wyznaczonych na jego podstawie prognoz
na jego podstawie uzyskać prognozy wariantowe
ocenić siłę wpływu poszczególnych zmiennych na zmienną prognozowaną
oszacować ex ante błędów wyznaczonych na jego podstawie prognoz
na jego podstawie uzyskać prognozy wariantowe
ocenić siłę wpływu poszczególnych zmiennych na zmienną prognozowaną
Wykorzystując liniowy lub sprowadzalny do postaci liniowej model przyczynowo opisowy można:
oszacować ex ante błędów wyznaczonych na jego podstawie prognoz
na jego podstawie uzyskać prognozy wariantowe
ocenić siłę wpływu poszczególnych zmiennych na zmienną prognozowaną
oszacować ex ante błędów wyznaczonych na jego podstawie prognoz
na jego podstawie uzyskać prognozy wariantowe
ocenić siłę wpływu poszczególnych zmiennych na zmienną prognozowaną
Wady modelu przyczynowo opisowego to:
możliwość obliczenia prognoz wariantowych
problemy przy estymacji parametrów związane z możliwością wystąpienia zjawiska współli-niowości
potrzeba wyznaczenia wartości zmiennych objaśniających w okresie, w którym buduje się prognozy
problemy przy estymacji parametrów związane z możliwością wystąpienia zjawiska współli-niowości
potrzeba wyznaczenia wartości zmiennych objaśniających w okresie, w którym buduje się prognozy
Wady modelu przyczynowo opisowego to:
możliwość obliczenia prognoz wariantowych
problemy przy estymacji parametrów związane z możliwością wystąpienia zjawiska współli-niowości
potrzeba wyznaczenia wartości zmiennych objaśniających w okresie, w którym buduje się prognozy
problemy przy estymacji parametrów związane z możliwością wystąpienia zjawiska współli-niowości
potrzeba wyznaczenia wartości zmiennych objaśniających w okresie, w którym buduje się prognozy
W celu wyboru postaci związku funkcyjnego f między zmienną objaśnianą a zmiennymi objaśniającymi przy budowie prognostycznego modelu przyczynowo opisowego możemy wykorzystać:
współliniowość zmiennych objaśniających
analizę materiału statystycznego
istniejącą teorię na temat prognozowanego zjawiska
analizę materiału statystycznego
istniejącą teorię na temat prognozowanego zjawiska
W celu wyboru postaci związku funkcyjnego f między zmienną objaśnianą a zmiennymi objaśniającymi przy budowie prognostycznego modelu przyczynowo opisowego możemy wykorzystać:
współliniowość zmiennych objaśniających
analizę materiału statystycznego
istniejącą teorię na temat prognozowanego zjawiska
analizę materiału statystycznego
istniejącą teorię na temat prognozowanego zjawiska