Szacunki i prognozy
Modele trendu i wyrównywania sezonowego w prognozowaniu krótkoterminowym
W prognozowaniu krótkoterminowym trend i sezonowość pełnią różne funkcje. Trend opisuje kierunek zmian poziomu szeregu, sezonowość – powtarzalne wahania o stałym okresie.
Dlaczego w prognozach krótkoterminowych liczą się trend i sezonowość
W prognozowaniu krótkoterminowym trend i sezonowość pełnią różne funkcje. Trend opisuje kierunek zmian poziomu szeregu, sezonowość – powtarzalne wahania o stałym okresie.
W modelu wygładzania wykładniczego przyszła wartość zależy nie tylko od ostatniej obserwacji, lecz od całego szeregu. Starsze obserwacje mają mniejszy wpływ niż nowsze (Prologistica). W krótkim horyzoncie takie modele szybciej reagują na zmiany poziomu i profilu sezonowego niż metody traktujące wszystkie obserwacje równorzędnie.
Modelowanie trendu i wyrównywanie sezonowe to dwa odrębne zadania. Trend trzeba określić na tyle elastycznie, by nie zamrozić prognozy na poziomie odległym od ostatnich danych. Sezonowość koryguje prognozę o typowy profil okresu.
W metodzie wskaźników sezonowości najpierw wyodrębnia się sezonowość i oczyszcza szereg, następnie prognozuje trend, a na końcu nakłada wskaźniki sezonowe.
W modelu Wintersa trend i sezonowość są aktualizowane w jednym mechanizmie wygładzania. Upraszcza to prognozę, ale wymaga jednoczesnego dobrania parametrów.
Modele trendu: liniowy, Browna, Holta i trend tłumiony
Trend liniowy dopasowany do całego szeregu bywa zbyt sztywny, gdy w krótkim okresie zmienia się tempo wzrostu lub spadku.
Materiały dydaktyczne opisują segmentację szeregu: dzieli się go na segmenty, dla każdego oblicza trendy liniowe, następnie wartości z funkcji trendu i uśrednia otrzymane wyniki. Pozwala to uchwycić zmianę nachylenia, ale liczba segmentów i długość okna wpływają na stabilność prognozy.
Model Browna to jedna z metod wyrównywania wykładniczego. Model Holta rozszerza wygładzanie o składnik trendu: parametr β kontroluje trend, a α odpowiada za poziom. Model Holta-Wintersa dodaje sezonowość.
Trend tłumiony wprowadza parametr ϕ, który określa siłę wygaszania trendu (Prologistica). Zamiast przedłużać trend liniowo w nieskończoność, model stopniowo zmniejsza jego wpływ. W notacji ETS trend tłumiony oznacza się dodatkową literą d. W krótkim horyzoncie tłumienie bywa bezpieczniejsze, gdy brak podstaw, by sądzić, że ostatnie tempo zmian utrzyma się długo.
Porównanie modeli trendu w prognozowaniu krótkoterminowym
- Trend liniowyZbyt sztywny przy zmieniającym się tempie zmian; nie reaguje na zmiany w krótkim horyzoncie.
- Model BrownaWyrównywanie wykładnicze z jednym składnikiem (poziom); odpowiedni dla prostych szeregów bez trendu lub sezonowości.
- Model HoltaRozszerzenie Browna o składnik trendu; kontrola trendu przez parametr β, poziomu przez α.
- Trend tłumiony (Holt-Winters z ϕ)Zmniejsza wpływ trendu w czasie; bezpieczniejszy w krótkim horyzoncie, gdy brak podstaw do długotrwałego utrzymania tempa zmian.
Wyrównywanie sezonowe: wskaźniki sezonowości i model Wintersa
Metoda wskaźników sezonowości obejmuje kilka kroków. Najpierw wyodrębnia się sezonowość i oblicza wskaźniki dla kolejnych okresów, potem oczyszcza szereg z sezonowości, prognozuje trend i nakłada wskaźniki na prognozę.
Wskaźniki mogą być addytywne (stała amplituda wahań) albo multiplikatywne (amplituda proporcjonalna do poziomu szeregu). Wybór postaci ma bezpośredni skutek: przy rosnącym poziomie sprzedaży model multiplikatywny generuje większe wahania sezonowe niż addytywny.
Model Wintersa aktualizuje sezonowość wraz z poziomem i trendem. W notacji ETS za sezonowość odpowiada parametr γ (Prologistica). Wysoka wartość γ przyspiesza reakcję profilu sezonowego na nowe dane, ale zwiększa podatność na zakłócenia; w krótkim horyzoncie trzeba sprawdzić, czy sezonowość jest stabilna, czy zmienia się w czasie.
Krok po kroku: metoda wskaźników sezonowości
- Wyodrębnienie sezonowościObliczenie wskaźników sezonowych dla każdego okresu na podstawie danych historycznych.
- Oczyszczenie szereguUsunięcie wpływu sezonowości z oryginalnego szeregu (dzielenie lub odejmowanie wskaźników).
- Prognoza trenduPrzygotowanie prognozy dla czystego szeregu bez sezonowości (np. metodą Holta lub Browna).
- Nakładanie wskaźników sezonowychDodanie lub pomnożenie prognozy trendu przez odpowiednie wskaźniki sezonowe.
Wybór rodzaju sezonowości: addytywna vs multiplikatywna
- Sezonowość addytywnaStała amplituda wahania – różnica między wartościami jest stała w czasie. Współczynnik γ kontroluje szybkość aktualizacji.
- Sezonowość multiplikatywnaAmplituda proporcjonalna do poziomu szeregu – wahań rośnie razem z wartością. Lepsza dla rosnących szeregów np. sprzedaży.
Zalety i wady modelu Wintersa w prognozowaniu krótkoterminowym
- ZaletyJednoczesne aktualizowanie poziomu, trendu i sezonowości; lepsza reakcja na zmiany niż oddzielne modele.
- WadyWymaga precyzyjnego doboru trzech parametrów (α, β, γ); wrażliwy na zakłócenia, jeśli sezonowość się zmienia.
Rodzina ETS – jak trend i sezonowość trafiają do jednego modelu
Rodzina ETS porządkuje modele wygładzania wykładniczego według trzech składników: E – błąd, T – trend, S – sezonowość. W miejsce tych liter wstawia się symbole A (addytywny), M (multiplikatywny) oraz N (brak składnika, tylko dla trendu i sezonowości); trend tłumiony zaznacza się dodatkową literą d (Prologistica).
Przykładem jest model z addytywnymi błędami, multiplikatywnym trendem tłumionym i brakiem sezonowości.
W pełnym ujęciu model opisują cztery parametry: α, β, γ, ϕ. Parametr β kontroluje trend, γ – sezonowość, a ϕ – siłę wygaszania trendu (Prologistica).
Charakter każdego składnika można określić niezależnie jako addytywny lub multiplikatywny; trend i sezonowość mogą też w ogóle nie występować. Uwzględniając tłumienie trendu, daje to 30 różnych rodzin modeli i bardzo wiele kombinacji wartości parametrów.
Poza doborem parametrów ważna jest inicjalizacja, czyli wyznaczenie początkowych wartości modelu. Prologistica wskazuje, że rozważa się różne metody inicjalizacji, a kluczowe jest takie dobranie parametrów, by uzyskać jak najlepsze prognozy. W krótkim horyzoncie błędy startowe mogą wpływać na pierwsze prognozy, zwłaszcza gdy szereg jest krótki lub zawiera zmianę poziomu.
Parametry i ich znaczenie w modelach ETS
- α (alfa)
- Kontroluje wagę nowych obserwacji w wygładzaniu poziomu.
- β (beta)
- Steruje siłą aktualizacji składnika trendu.
- γ (gamma)
- Reguluje szybkość dostosowania się sezonowości do nowych danych.
- ϕ (fi)
- Parametr tłumienia trendu – decyduje o stopniowym zanikaniu trendu w czasie.
Dobór modelu i ocena jakości prognoz krótkoterminowych
Przy wyborze modelu trzeba zdecydować, czy sezonowość jest addytywna czy multiplikatywna, czy trend ma być liniowy czy tłumiony oraz czy dany składnik w ogóle występuje. W rodzinie ETS te decyzje przekładają się na wybór konkretnej rodziny modeli, a następnie na dobór parametrów (Prologistica).
Parametry dobiera się tak, aby prognozy były jak najlepsze; w praktyce ocenia się je na wydzielonym zbiorze walidacyjnym lub w ramach kolejnych okien czasowych.
Do oceny jakości prognoz służą miary błędu, m.in. MAPE, wymieniana w materiałach dydaktycznych. MAPE wyraża błąd procentowy, ale przy wartościach bliskich zera bywa niestabilna.
Prologistica zwraca uwagę, że wadą metod wygładzania wykładniczego jest brak teorii wyznaczania przedziałów ufności dla prognoz; firma zaimplementowała symulacyjne wyznaczanie takich przedziałów.
W prognozach krótkoterminowych nie należy więc opierać się wyłącznie na wzorach analitycznych, lecz rozważyć symulację lub inne metody oceny niepewności.
Kontrola jakości prognoz krótkoterminowych
- Sprawdzenie stabilności sezonowościCzy profil sezonowy się zmienia? Czy warto stosować model dynamiczny?
- Wybór rodzaju trenduLiniowy czy tłumiony? Czy ostatnie tempo zmian będzie się utrzymywać?
- Ocena błędów ex postUżycie miar takich jak MAPE na zbiorze walidacyjnym.
- Symulacja przedziałów niepewnościBrak teorii analitycznej – zaleca się symulację Monte Carlo lub inne metody oceny niepewności.
Przykłady zastosowań i porównania metod wyrównania sezonowego
W polskich zastosowaniach metody wygładzania wykładniczego wykorzystywano do prognozowania kursu sprzedaży EUR – taki jest temat pracy Halickiej (2013). Inny przykład to predykcja wielkości sprzedaży w firmie informatycznej Comarch modelem Browna (PWE). Szmuksta-Zawadzka i Zawadzki przedstawili wyniki wykorzystania modeli Browna, Holta i Holta-Wintersa w postaci addytywnej.
Wyrównywanie sezonowe to osobny etap, który można realizować różnymi metodami. Cytowana literatura wskazuje na opracowanie NBP „Materiały i Studia” nr 220, w którym empirycznie porównano ARIMA i TRAMO/SEATS w kontekście długości próby.
Dla prognoz krótkoterminowych oznacza to, że wybór metody wyrównania sezonowego może zależeć od długości szeregu; przy krótkiej próbie wyniki ARIMA i TRAMO/SEATS mogą się różnić.
Trzeba porównać warianty: trend liniowy i tłumiony, sezonowość addytywną i multiplikatywną oraz różne metody wyrównania sezonowego, a ocenę oprzeć na błędach prognoz ex post i ewentualnie symulowanych przedziałach niepewności.
