Otokorelasyon Analizi Otokorelasyon Analizi 13.06.22 Pazarlıoğlu Otokorelasyon, bir değişkenin bir dönem gecikmeli ya da daha fazla dönem gecikmeli değerleri arasındaki ilişkidir. T t tk t1k T 2 t t1 (Y Y )(Y Y) A CF(k) (Y Y)
Jan 03, 2016
Otokorelasyon AnaliziOtokorelasyon Analizi
20.04.23 Pazarlıoğlu
Otokorelasyon, bir değişkenin bir dönem gecikmeli ya da daha fazla dönem gecikmeli değerleri arasındaki ilişkidir.
T
t t kt 1 k
T2
tt 1
(Y Y)(Y Y)ACF(k)
(Y Y)
Gecikmeli değer kavramıGecikmeli değer kavramı
20.04.23 Pazarlıoğlu
Aylar Yt Yt-1 Yt-2Ocak 123Şubat 130 123Mart 125 130 123Nisan 138 125 130Mayıs 145 138 125Haziran 142 145 138Temmuz 141 142 145Ağustos 146 141 142Eylül 147 146 141Ekim 157 147 146Kasım 150 157 147Aralık 160 150 157
rrkk için gerekli hesaplamalar için gerekli hesaplamalar
20.04.23 Pazarlıoğlu
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
0
-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
0
-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
1704
843
1474
Yort=142
1. Gecikme için Otokorelasyon 1. Gecikme için Otokorelasyon KatsayısıKatsayısı
20.04.23 Pazarlıoğlu
1474
8431 r 572.0
KorelogramKorelogram
20.04.23 Pazarlıoğlu
Bir zaman serisinin farklı gecikmelerine
göre hesaplanan otokorelasyon
katsayılarının grafiğine korelogram ya da
otokorelasyon fonksiyonu adı verilir.
Otokorelasyon katsayılarıOtokorelasyon katsayıları
20.04.23 Pazarlıoğlu
AutocorrelationsSeries:YtLag Autocorrelation Std. Errora Box-Ljung Statistic
Value df Sig.b
1 ,572 ,256 4,995 1 ,0252 ,463 ,244 8,592 2 ,0143 ,111 ,231 8,820 3 ,0324 ,016 ,218 8,825 4 ,0665 -,033 ,204 8,852 5 ,1156 -,102 ,189 9,142 6 ,1667 -,250 ,173 11,248 7 ,1288 -,328 ,154 15,757 8 ,0469 -,466 ,134 27,922 9 ,00110 -,250 ,109 33,158 10 ,000a. The underlying process assumed is independence (white noise).
b. Based on the asymptotic chi-square approximation.
KorelogramKorelogram
20.04.23 Pazarlıoğlu
Otokorelasyon katsayılarıOtokorelasyon katsayıları
20.04.23 Pazarlıoğlu
Bir zaman serisi değişkeninin farklı
gecikmelere göre hesaplanan
otokorelasyon katsayıları izleyen soruları
cevaplamakta kullanılır.
1.Veriler tesadüfi midir?
2.Veriler bir trende sahip midirler?
3.Veriler durağan mıdırlar?
4.Verilerde mevsimsel hareket var mıdır?
Verilerin tesadüfi olması-IVerilerin tesadüfi olması-I
20.04.23 Pazarlıoğlu
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.
Verilerin tesadüfi olması-IIVerilerin tesadüfi olması-II
20.04.23 Pazarlıoğlu
Verilerin tesadüfi olması-IIIVerilerin tesadüfi olması-III
20.04.23 Pazarlıoğlu
Verilerin trende sahip olmasıVerilerin trende sahip olması
20.04.23 Pazarlıoğlu
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.
Otokorelasyon katsayılarıOtokorelasyon katsayıları
20.04.23 Pazarlıoğlu
AutocorrelationsSeries:YtLag Autocorrelation Std. Errora Box-Ljung Statistic
Value df Sig.b
1 ,572 ,256 4,995 1 ,0252 ,463 ,244 8,592 2 ,0143 ,111 ,231 8,820 3 ,0324 ,016 ,218 8,825 4 ,0665 -,033 ,204 8,852 5 ,1156 -,102 ,189 9,142 6 ,1667 -,250 ,173 11,248 7 ,1288 -,328 ,154 15,757 8 ,0469 -,466 ,134 27,922 9 ,00110 -,250 ,109 33,158 10 ,000a. The underlying process assumed is independence (white noise).
b. Based on the asymptotic chi-square approximation.
Verilerin Mevsimlik harekete sahip Verilerin Mevsimlik harekete sahip olmasıolması
20.04.23 Pazarlıoğlu
Eğer bir zaman serisi mevsimsel harekete
sahipse ise, mevsimsel gecikmelerde
anlamlı otokorelasyon katsayılarına sahip
olacaktır.
DurağanlıkDurağanlık
20.04.23 Pazarlıoğlu
Zaman serisi modellerinde değişkenlerin durağan oldukları varsayılır.
Bu varsayım etkin ve tutarlı tahminler elde etmek için gereklidir.
Durağanlığın TanımıDurağanlığın Tanımı
20.04.23 Pazarlıoğlu
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)
Kovaryans durağanlığı Kovaryans durağanlığı
20.04.23 Pazarlıoğlu
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)
Durağan-dışılık-1 Durağan-dışılık-1
20.04.23 Pazarlıoğlu
Xt Xt
t t
Durağan-dışılık-1I Durağan-dışılık-1I
20.04.23 Pazarlıoğlu
t
Xt
Öngörü Tekniğinin Seçimi-I Öngörü Tekniğinin Seçimi-I
20.04.23 Pazarlıoğlu
•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?
Öngörü Tekniğinin Seçimi-II Öngörü Tekniğinin Seçimi-II
20.04.23 Pazarlıoğlu
•Öngörü probleminin doğası tanımlanmalıdır. •Araştırmada kullanılacak verilerin yapısı açıklanmalıdır.•Kullanılacak öngörü tekniklerinin kapasite ve sınırları tanımlanmalıdır.•Seçilen kararın uygulanabilmesi için bazı ön kriterler geliştirilmelidir.
Durağan Veriler için Öngörü Teknikleri Durağan Veriler için Öngörü Teknikleri
20.04.23 Pazarlıoğlu
•Basit(naive) yöntemleri,
•Basit Ortalamalar yöntemi,
•Hareketli ortalamalar,,
•Basit üstel düzeltme,
•Otoregressive hareketli ortalama (ARMA)
modelleri
Durağan Öngörü Tekniklerinin Durağan Öngörü Tekniklerinin Kullanılması-I Kullanılması-I
20.04.23 Pazarlıoğlu
•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,
Durağan Öngörü Tekniklerinin Durağan Öngörü Tekniklerinin Kullanılması-IIKullanılması-II
20.04.23 Pazarlıoğlu
•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.
Basit (Naive)Yöntemler-1Basit (Naive)Yöntemler-1
20.04.23 Pazarlıoğlu
•Yetersiz sayıda gözlem durumunda
öngörü için kullanılan bir yöntemdir.
•Bu yöntemin dayandığı varsayım,
serinin son dönemde aldığı değerlerin
geleceğin en iyi öngörüsü olduğuna
dayanır. t1t YY
Basit (Naive)Yöntemler-2Basit (Naive)Yöntemler-2
20.04.23 Pazarlıoğlu
•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.
Basit (Naive)Yöntemler-3Basit (Naive)Yöntemler-3
20.04.23 Pazarlıoğlu
Yelki El Aletleri şiketinin testere 2002-2008 yıllarına ait
testere(adet) satışlarıYıllar testere Yıllar testere2002-1 500 2005-3 2502002-2 350 2005-4 5502002-3 250 2006-1 5502002-4 400 2006-2 4002003-1 450 2006-3 3502003-2 350 2006-4 6002003-3 200 2007-1 7502003-4 300 2007-2 5002004-1 350 2007-3 4002004-2 200 2007-4 6502004-3 150 2008-1 8502004-4 400 2008-2 6002005-1 550 2008-3 4502005-2 350 2008-4 700
Basit (Naive)Yöntemler-4Basit (Naive)Yöntemler-4
20.04.23 Pazarlıoğlu
Basit (Naive)Yöntemler-5Basit (Naive)Yöntemler-5
20.04.23 Pazarlıoğlu
2001-2007 dönemini öngörü için kullanalım. 2008
yılı değerlerini ise öngörünün doğruluğunu
denetlemek için ayıralım. Bu durumda öngörü için
kullanılacak 24 adet gözlem vardır.24124 YY 650Y25
252525 YYe 200650850
25125 YY 600Y26
262626 YYe 250850600
Basit (Naive)Yöntemler-6Basit (Naive)Yöntemler-6
20.04.23 Pazarlıoğlu
Veriler :•Eğilime sahiptirler,Mevsimsel hareket göstermektedirler.•Bu durumda yapılacak iş öngörü modelinde düzeltmeye gitmektir.
Basit (Naive)Yöntemler-7Basit (Naive)Yöntemler-7
20.04.23 Pazarlıoğlu
•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.
)YY(YY 1ttt1t
•Bu eşitlik çeyrekler arasında oluşan değişim
miktarını dikkate almaktadır.
Basit (Naive)Yöntemler-8Basit (Naive)Yöntemler-8
20.04.23 Pazarlıoğlu
•Bu modele göre 2008 yılının ilk çeyreğinin öngörü
değerini elde edelim:)YY(YY 1242424124
•Bu modele ait öngörü hatası ise:
)YY(YY 23242425
)400650(650Y25
900Y25
252525 YYe 900850 50
Basit (Naive)Yöntemler-9Basit (Naive)Yöntemler-9
20.04.23 Pazarlıoğlu
•Bazen mutlak değişim miktarından ziyade değişim
oranı daha iyi öngörü değeri elde etmek için uygun
1t
tt1t Y
YYY
•Bu modele göre 2008 yılının ilk çeyreğinin
öngörü değerini elde edelim:
124
2424124 Y
YYY
23
242425 Y
YYY
400
650650Y25 1056
Basit (Naive)Yöntemler-10Basit (Naive)Yöntemler-10
20.04.23 Pazarlıoğlu
252525 YYe 1056850 206•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:3t1t YY •Öngörüsü yapılacak çeyrek için bir yıl önceki aynı
çeyrek dikkate alınmaktadır. :
Basit (Naive)Yöntemler-11Basit (Naive)Yöntemler-11
20.04.23 Pazarlıoğlu
252525 YYe 750850 100
•Bu modele ait öngörü hatası ise:
•Bu modele göre 2008 yılının ilk çeyreğinin
öngörü değerini elde edelim:
324124 YY 2125 YY
750Y25
Basit (Naive)Yöntemler-12Basit (Naive)Yöntemler-12
20.04.23 Pazarlıoğlu
•Burada Yt-3 mevsimsel dalgalamayı ifade
etmekte iken, kalan ifade ise geçmiş son dört
çeyrekteki değişim miktarı ortalamasını
göstermektedir:
•Bu yaklaşımın zayıf noktası ise dikkate alınan
çeyrekten sonraki çeyrekleri ve eğilimi gözardı
etmektedir. Bunları dikkate almak için aşağıdaki
düzeltme işlemlerini yapabiliriz:
4
)YY(...)YY(YY 4t3t1tt
3t1t
Basit (Naive)Yöntemler-13Basit (Naive)Yöntemler-13
20.04.23 Pazarlıoğlu
•Bu modele göre 2008 yılının ilk çeyreğinin öngörü değerini elde edelim:
4
)YY(...)YY(YY 42432412424
324124
4
)YY(...)YY(YY 20212324
2125
4
)600750()750500()500400()400650(750Y25
5.12750Y25 5.762
252525 YYe 5.762850 5.87
•Bu modele ait öngörü hatası ise:
Ortalamalara Dayanan Öngörü Ortalamalara Dayanan Öngörü
YöntemleriYöntemleri
20.04.23 Pazarlıoğlu
•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.
Basit Ortalamalar-1Basit Ortalamalar-1
20.04.23 Pazarlıoğlu
•Zaman serisi verileri çeşitli şekillerde
düzgünleştirilebilir.
•Amaç gelecek dönemleri öngörecek modeli
geliştirmek için geçmiş verileri kullanmaktır.
t
1ii1t Y
t
1Y
•Basit ortalama gelecek dönemi öngörü için bütün
geçmiş verilerin ortalamasını kullanır.
•t+1 dönemi için basit ortalama modeli :
Basit Ortalamalar-2Basit Ortalamalar-2
20.04.23 Pazarlıoğlu
•Basit ortalamalar yöntemi, öngörüsü yapılacak seriyi üreten güç kararlı olduğunda uygun bir tekniktir.
•t+2 dönemi için öngörü:
1t
YYtY 1t1t
2t
Basit Ortalamalar-3Basit Ortalamalar-3
20.04.23 Pazarlıoğlu
•Bir nakliye şirketinin filosundaki araçlar için 30 hafta boyunca satın aldığı yakıt miktarına ilişkin veriler
Hafta Yakıt Hafta Yakıt 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 26 245
7 252 17 282 27 271
8 279 18 277 28 282
9 264 19 298 29 302
10 288 20 303 30 285
Basit Ortalamalar-4Basit Ortalamalar-4
20.04.23 Pazarlıoğlu
Basit Ortalamalar-5Basit Ortalamalar-5
20.04.23 Pazarlıoğlu
•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.
28
1ii128 Y
28
1Y
28
78741 2.281
292929 YYe 2.281302 8.20
Basit Ortalamalar-6Basit Ortalamalar-6
20.04.23 Pazarlıoğlu
•28+2 dönemi için öngörü:
128
YY28Y 128128
228
29
YY28Y 2929
30
29
302)2.281(28Y30
9.281
303030 YYe 9.281285 1.3
Basit Ortalamalar-7Basit Ortalamalar-7
20.04.23 Pazarlıoğlu
•31. dönem için öngörü:
30
YY
30
1ii
130
30
8461Y31 282
Hareketli Ortalamalar-1Hareketli Ortalamalar-1
20.04.23 Pazarlıoğlu
k.dereceden hareketli ortalama, k ardışık değerin
ortalamasıdır:
k
)Y...YYY(Y 1kt2t1tt
1t
•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.
Hareketli Ortalamalar-2Hareketli Ortalamalar-2
20.04.23 Pazarlıoğlu
•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.
Hareketli Ortalamalar-3Hareketli Ortalamalar-3
20.04.23 Pazarlıoğlu
Bir nakliye şirketinin filosundaki araçlar için 30 hafta boyunca satın aldığı yakıt miktarı örneği için hareketli ortalamaları elde edelim:
5
)Y...YYY(Y 152822812828
128
29.Gözlem için öngörü hatası:
5
)YYYYY(Y 2425262728
29
5
)250260245271282(Y29
5
1308 6.261
292929 YYe 6.261302 4.40
Hareketli Ortalamalar-4Hareketli Ortalamalar-4
20.04.23 Pazarlıoğlu
Hafta Yakıt1 2752 2913 3074 2815 2956 2687 2528 2799 26410 28811 30212 28713 29014 31115 27716 24517 28218 27719 29820 30321 31022 29923 28524 25025 26026 24527 27128 28229 30230 285
Y-tah*****
289.8288.4280.6275271.6270.2277284286.2295.6293.4282281278.4275.8281294297.4299289.4280.8267.8262.2261.6272
e*****
-21.8-36.4-1.6-1116.431.8106
24.8-18.6-48.40-419.627.2295
-12.4-49-29.4-35.83.219.840.413
Hareketli Ortalamalar-5Hareketli Ortalamalar-5
20.04.23 Pazarlıoğlu
31.Gözlem için öngörü:
5
)Y...YYY(Y 153023013030
130
5
)YYYYY(Y 2627282930
31
5
)245271282302285(Y29
5
1381 277
Basit Ortalamalar-6Basit Ortalamalar-6
20.04.23 Pazarlıoğlu
Çift Hareketli Ortalamalar-1Çift Hareketli Ortalamalar-1
20.04.23 Pazarlıoğlu
•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:
k
)Y...YYY(YM 1kt2t1tt
1tt
•Mt serisine bir daha hareketli ortalamalar uygulanarak Mt serisi elde edilir:
k
)M...MMM(M 1kt2t1tt
t
Çift Hareketli Ortalamalar-2Çift Hareketli Ortalamalar-2
20.04.23 Pazarlıoğlu
•İlk ve ikinci harketli ortalamalar arasındaki fark ilk hareketli ortalamaya eklenerek öngörü geliştirilir:
MM2)MM(Ma ttttt
•Eğim katsayısına benzer bir düzeltme faktörü hesaplanır:
)MM(1k
2b ttt
•Son olarak, p.dönemin öngörüsü için aşağıdaki eşitlik tahmin edilir:
pbaY ttt
Çift Hareketli Ortalamalar-3Çift Hareketli Ortalamalar-3
20.04.23 Pazarlıoğlu
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
Çift Hareketli Ortalamalar-4Çift Hareketli Ortalamalar-4
20.04.23 Pazarlıoğlu
•: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
15
7
3
8
7
3
17
Çift Hareketli Ortalamalar-5Çift Hareketli Ortalamalar-5
20.04.23 Pazarlıoğlu
Çift Hareketli Ortalamalar-6Çift Hareketli Ortalamalar-6
20.04.23 Pazarlıoğlu
•:
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
Çift Hareketli Ortalamalar-7Çift Hareketli Ortalamalar-7
20.04.23 Pazarlıoğlu
Çift Hareketli Ortalamalar-8Çift Hareketli Ortalamalar-8
20.04.23 Pazarlıoğlu
•:
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
704.9
707.9
711.0
714.0
722.0
b=(2/k-1)(Mt-Mt)
5.3
3.0
5.3
7.0
9.0
5.6
2.9
2.9
3.0
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
Çift Hareketli Ortalamalar-9Çift Hareketli Ortalamalar-9
20.04.23 Pazarlıoğlu
Üstel Düzeltme Yöntemi-1Üstel Düzeltme Yöntemi-1
20.04.23 Pazarlıoğlu
•Üstel düzeltme, en son tecrübenin ışığında öngörüyü sürekli olarak düzelten bir yöntemdir:
gözlem) gözlem) öngörü eski()1(yeni(Yeni
tt1t Y1YY
ttt1t YYYY
)YY(YY ttt1t
Üstel Düzeltme Yöntemi-2Üstel Düzeltme Yöntemi-2
20.04.23 Pazarlıoğlu
Yelki El Aletleri şiketinin testere 2002-2008 yıllarına ait
testere(adet) satışlarıYıllar testere Yıllar testere2002-1 500 2005-3 2502002-2 350 2005-4 5502002-3 250 2006-1 5502002-4 400 2006-2 4002003-1 450 2006-3 3502003-2 350 2006-4 6002003-3 200 2007-1 7502003-4 300 2007-2 5002004-1 350 2007-3 4002004-2 200 2007-4 6502004-3 150 2008-1 8502004-4 400 2008-2 6002005-1 550 2008-3 4502005-2 350 2008-4 700
Üstel Düzeltme Yöntemi-3Üstel Düzeltme Yöntemi-3
20.04.23 Pazarlıoğlu
Yıllar testere2002-1 5002002-2 3502002-3 2502002-4 4002003-1 4502003-2 3502003-3 2002003-4 3002004-1 3502004-2 2002004-3 1502004-4 4002005-1 5502005-2 3502005-3 2502005-4 5502006-1 5502006-2 4002006-3 3502006-4 6002007-1 7502007-2 5002007-3 4002007-4 6502008-1 8502008-2 6002008-3 4502008-4 700
Y-tah(a=0.1)500.0500.0485.0461.5455.4454.8444.3419.9407.9402.1381.9358.7362.8381.6378.4365.6384.0400.6400.5395.5415.9449.3454.4449.0469.1
et0.0
-150.0-235.0-61.5-5.4
-104.8-244.3-119.9-57.9
-202.1-231.941.3
187.2-31.6
-128.4184.4166.0-0.6
-50.5204.5334.150.7-54.4201.0
Y-tah=0.6)500.0500.0410.0314.0365.6416.2376.5270.6288.2325.3250.1190.0316.0456.4392.6307.0452.8511.1444.4387.8515.1656.0562.4465.0576.0
et0.0
-150.0-160.086.084.4-66.2
-176.529.461.8
-125.3-100.1210.0234.0-106.4-142.6243.097.2
-111.1-94.4212.2234.9-156.0-162.4185.0
Trendli Veriler için Öngörü TeknikleriTrendli Veriler için Öngörü Teknikleri
20.04.23 Pazarlıoğlu
•Hareketli Ortalamalar,
•Holt’s doğrusal üstel düzeltme,
•Basit Regresyon,
•Büyüme Eğrileri,
•Üstel Modeller,
•Otoregressive bütünleşmiş hareketli
ortalama (ARIMA) modelleri
Mevsimselliği Düzeltilmiş VerilerMevsimselliği Düzeltilmiş Veriler
20.04.23 Pazarlıoğlu
Trendli Veriler için Öngörü Tekniklerinin Trendli Veriler için Öngörü Tekniklerinin KullanılmasıKullanılması
20.04.23 Pazarlıoğlu
•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
Mevsimsel Veriler için Öngörü Mevsimsel Veriler için Öngörü Teknikleri Teknikleri
20.04.23 Pazarlıoğlu
•CensusX-12,
•Winter’s Üstel Düzeltme,
•Çoklu Regresyon,
•ARIMA Modelleri
Mevsimsel Veriler için Öngörü Mevsimsel Veriler için Öngörü Teknikleri Teknikleri
20.04.23 Pazarlıoğlu
•CensusX-12,
•Winter’s Üstel Düzeltme,
•Çoklu Regresyon,
•ARIMA Modelleri
Mevsimsel Veriler için Mevsimsel Veriler için ÖngörüÖngörü
20.04.23 Pazarlıoğlu
•İklim etmeni, araştırmada kullanılan
değişkenleri etkileyebilir,
•Çalışma takvimi, araştırmada
kullanılan değişkenleri etkileyebilir,
Devri Hareketli Veriler için Devri Hareketli Veriler için ÖngörüÖngörü
20.04.23 Pazarlıoğlu
•Ekonometrik modeller,
•ARIMA modelleri,
Devri Hareketli Veriler için Devri Hareketli Veriler için ÖngörüÖngörü
20.04.23 Pazarlıoğlu
•Ulusal ve/veya Uluslar arası
Ekonomilerdeki dalgalanmalar
araştırmada kullanılan değişkenleri
etkileyebilir,
•Eğilimlerdeki değişmeler araştırmada
kullanılan değişkenleri etkileyebilir,
Devri Hareketli Veriler için Devri Hareketli Veriler için ÖngörüÖngörü
20.04.23 Pazarlıoğlu
•Nüfustaki dönemsel değişmeler
araştırmada kullanılan değişkenleri
etkileyebilir,
•Üretim evrelerindeki değişmeler
araştırmada kullanılan değişkenleri
etkileyebilir,
Artık (Residual)Artık (Residual)
20.04.23 Pazarlıoğlu
•Değişkenlerin cari değerleri ile öngörü
değerleri arasındaki fark artık
(residual) olarak adlandırılmaktadır.,
Ortalama Mutlak Sapma Ortalama Mutlak Sapma Mean Absolute Deviation (MAD)Mean Absolute Deviation (MAD)
20.04.23 Pazarlıoğlu
•Serinin ölçüldüğü birim ile öngörü
hatasını ölçmek için kullanılır.
Formül ekle
Ortalama Hata KarelerOrtalama Hata KarelerMean Squared Error(MSE)Mean Squared Error(MSE)
20.04.23 Pazarlıoğlu
•Hataların kareleri alındığı için bu
yaklaşım, büyük öngörü hatalarını
cezalandırır. Böylece daha küçük
hatalar üreten yöntem tercih edilir.Formül ekle
Ortalama Mutlak Yüzde Hata Ortalama Mutlak Yüzde Hata Mean Absolute Percetage Error Mean Absolute Percetage Error (MAPE)(MAPE)
20.04.23 Pazarlıoğlu
•Sayısal değerlerinden ziyade
yüzdelere göre öngörü hatalarını
hesaplamak için kullanılan ölçüm.
Formül ekle
Öngörü Ölçülerinin KullanımıÖngörü Ölçülerinin Kullanımı
20.04.23 Pazarlıoğlu
•İki farklı tekniğin doğruluğunun
karşılaştırılması,
•Tekniklerin kullanışlığının veya
güvenliğinin ölçülmesi,
•En iyi tekniğin araştırılması.
Öngörü Ölçüleri :Örnek-1Öngörü Ölçüleri :Örnek-1
20.04.23 Pazarlıoğlu
Müşteri
585460556262656370
öngörü
-5854605562626563
Toplam
hata
--46-5703-2712
|e|
-4657032734
e2
-1636254909449188
|e|/Y
-7.410.09.111.30.04.63.210.055.6
e/Y
--7.410.0-9.111.30.04.6-3.210.016.2
Öngörü Ölçüleri :Örnek-1Öngörü Ölçüleri :Örnek-1
20.04.23 Pazarlıoğlu
•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