Пример проведения прогнозирования прибыли с использованием пакета SPSS

3. Пример проведения прогнозирования прибыли с использованием пакета SPSS

Постановка задачи:

Необходимо построить модель, дающую возможность предсказывать размер прибыли некоторой торговой фирмы, если известны данные о ежемесячной прибыли за последние полтора года.

В качестве исходных данных возьмем экспериментальные данные, представленные в таблице 1.

Таблица 1.

1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20
12	16	22	25	27	30	35	37	40	43	43	45	47	44	41	38	36	33	32	30

Данные представляют собой временной ряд, где величина прибыли Y зависит от времени t.

Для аналитического выравнивания и построения тренда будем использовать следующие функции:

1.   Линейная y(t) = a + b*t;

2.   Логарифмическая y(t) = a * t^b;

3.   Экспоненциальная y(t)=e ^{a + b*t};

4.   Квадратичная y(t) = a + b1*t+b2*t²;

5.   Кубическая y(t) = a + b1*t+b2*t²+b3*t³;

где y (t) – расчетные значения моделируемого показателя;

t – время;

a, b1, b2, b3 – параметры модели.

Для проведения анализа ряда необходимо ввести исходные данные. Для этого после запуска программы SPSS нужно:

1.         Определить переменные;

2.         Определить данные.

Для ввода, редактирования и хранения данных используется лист данных. для определения, редактирования и хранения переменных используется лист переменных. Для перехода в редактор переменных необходимо перейти на закладку «Обзор переменных». Таблица вида переменных представляет собой электронную таблицу, в которой по строкам находятся переменные, а по графам – характеристики этих переменных (рис. 1). Для переменных можно задать такие характеристики как Имя, Тип, Ширина столбца, Десятичные разряды, выравнивание и т.д.

Рисунок 1

В нашем примере нам понадобятся две переменные Y и t.

После определения переменных необходимо ввести данные. Для этого нужно перейти на лист ввода данных и ввести статистические данные подлежащие анализу. В таблице данных объекты располагаются по строкам а признаки по столбцам (рис. 2).

Рисунок 2.

Для построения указанных моделей, необходимо выбрать в главном меню программы опцию Анализ, затем подпункты Регрессия®Оценка кривой. В результате появится диалоговое окно «Оценка кривой» (Рис. 3).

Рисунок 3.

В появившемся окне необходимо выполнить следующие настройки:

1.         Указать зависимую переменную Y. Для этого нужно перенести имя переменной в поле «Зависимая (ые)».

2.         Указать независимый параметр в поле «Независимый».

3.         На панели «Модели» установить флажки рядом с названиями нужных моделей: линейная, экспоненциальная, логарифмическая, кубическая и квадратичная.

4.         Для визуального оценивания полученных моделей необходимо установить флажок «Привести график моделей».

В результате в программе просмотра результатов будет сформирована страница результатов «Подгонка параметра» (см. Приложение). Страница результатов содержит названия построенных моделей их характеристики, параметры моделей, а также показатели необходимые для оценки моделей, такие как значение F-критерия Фишера, среднеквадратическое отклонение и коэффициент детерминации.

Исходя из того, что наибольшее значение принимает коэффициент детерминации кубической функции, а также при визуальном оценивании можно сделать вывод, что оптимальной моделью является кубическая модель:

Y(t) = 6,194 + 5,301*t – 0,141*t² – 0,004*t³;

Для осуществления прогноза на k периодов вперед необходимо подставить значение tk в полученное уравнение. Например, прогноз на два месяца вперед:

Y(20) = 6,194 + 5,301*22 – 0,141*22² – 0,004*22³ = 11, 98

Таким образом, согласно построенной модели прибыль через два месяца составит 11, 98 тыс. руб.

Заключение

 

Исходя из изложенного в курсовой работе материала, можно сделать выводы:

1. прогнозирование – это научное, основанное на системе установленных причинно-следственных связей и закономерностей, выявление состояния и вероятностных путей развития явлений и процессов.

2. временным рядом называется (рядом динамики) называется последовательность значений статистического показателя-признака, упорядоченная в хронологическом порядке, т.е. в порядке возрастания временного параметра. Отдельные наблюдения временного ряда называются уровнями этого ряда.

3. каждый временной ряд содержит два элемента:

1.         значения времени;

2.         соответствующие им значения уровней ряда.

4. адаптивные модели прогнозирования – это модели дисконтирования данных, способные быстро приспосабливать свою структуру и параметры к изменению условий.

Список использованной литературы

1.  Федосеев В.В. Экономикматематические модели и прогнозирование рынка труда: Учеб. Пособие. – М.: Вузовский учебник, 2005 – 144 ст.

2.  Дуброва Т.А. Прогнозирование социально экономических процессов. Статистические методы и модели: уч. пособие. – М.: Маркет ДС, 2007. – 192 с.

3.  Садовникова Н.А., Шмойлова Р.А. Анализ временных рядов и прогнозирование. Учебное пособие./ Московский международный институт эконометрики информатики, финансов и права – М., 2002 г., 67 с.