managerial decision modeling n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Managerial Decision Modeling PowerPoint Presentation
Download Presentation
Managerial Decision Modeling

Loading in 2 Seconds...

play fullscreen
1 / 106

Managerial Decision Modeling - PowerPoint PPT Presentation


  • 150 Views
  • Uploaded on

Managerial Decision Modeling. A Practical Introduction to Management Science , 5ed by Cliff Ragsdale. Chapter 11. Forecasting Models. Introduksjon til tidsserieanalyser. En tidsserie er en samling av observasjoner for en kvantifiserbar variabel registrert i kronologisk tidsrekkefølge .

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

Managerial Decision Modeling


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
    Presentation Transcript
    1. Managerial Decision Modeling A Practical Introduction to Management Science , 5ed by Cliff Ragsdale

    2. Chapter 11 Forecasting Models LOG350 Operasjonsanalyse

    3. Introduksjon til tidsserieanalyser • En tidsserieer en samling av observasjonerfor en kvantifiserbar variabelregistrert i kronologisk tidsrekkefølge. • Eksempel • Børsindekser • Historiske data over salg, lager, antall kundebesøk, rentesatser, kostnader, etc. • Bedrifter er ofte interessert i å predikere tidsserie-variabler. • Ofte finnes ikke uavhengige variabler som kan benyttes i en regresjonsmodellfor en tidsserievariabel. • I tidsserieanalyser analyserer vi den historiske utviklingen til en variabel for å kunne predikere dens framtidige utvikling. LOG350 Operasjonsanalyse

    4. Prediksjoner basert på tidsserieanalyse • Som å kjøre en bil ved å se på veien via speilet bakover : • Vi ser hvor veien har svingt tidligere, og forsøker å styre bilen deretter ! LOG350 Operasjonsanalyse

    5. Noen tidsserieuttrykk • Stasjonære data – en tidsserievariabel som ikke viser noen signifikant trend opp eller ned over tid. • Ikke-stasjonære data – en tidsserie-variabelsom viser en tydelig trend opp eller ned over tid. • Sesong data – en tidsserievariabel som viser et repeterende mønster med jevne intervall over tid. LOG350 Operasjonsanalyse

    6. Bruk avtidsserieanalyse • Det finnes veldig, veldig mange forskjellige tidsserieanalysemetoder. • Det er vanligvis umulig å vite hvilken teknikk som vil passe best for et bestemt datasett. • Som regel prøves flere forskjellige teknikker, for å velge ut den som synes å passe best. • For å lage effektive tidsseriemodeller, må en ha flere forskjellige metoder i ”verktøyboksen”. LOG350 Operasjonsanalyse

    7. Forskjellige prediksjonsmodeller LOG350 Operasjonsanalyse

    8. Mål på nøyaktighet • Vi trenger et mål for å sammenligne hvordan forskjellige tidsseriemodeller passer til dataene. • Fire av de vanligste målene er: • mean absolute deviation, • mean absolute percent error, • the mean square error, • root mean square error. • Vi vilfokuserepå MSE. LOG350 Operasjonsanalyse

    9. En kommentar til bruk av feilmål • En bør være på vakt når en sammenligner MSE verdier for forskjelligeprediksjonsteknikker. • Den minste MSE kan være resultatet av en teknikk som passer gamle data meget godtmen gjenspeiler nye data dårlig. • Noen ganger er det klokt å beregne MSE kun for de seneste observasjonene. • Sammenlign MSE for samme perioder. • Bør bruke blindtest ! LOG350 Operasjonsanalyse

    10. Fornuftig bruk av feilmål • Feilmålene brukes for å se hvor godt en metode tilpasser seg historiske data. • For å velge mellom ulike metoder, bør en foreta en blindtest – lage prognoser for perioder der modellen ikke får se dataene. • En velger så den metoden som har minst feil i blindtesten. LOG350 Operasjonsanalyse

    11. Oppdeling av dataserien • Initialserie. Første del av dataserien benyttes for å beregne startverdier for parametrene i modellen. • Tilpassingsserie. Andre del av dataserien benyttes for å tilbasse gode verdier for parametrene – slik at feilene blir minst mulig. • Testserie. Siste del av dataserien benyttes til blindtest, der man tester hvor god modellen er. LOG350 Operasjonsanalyse

    12. Ekstrapoleringsmodeller • Ekstrapoleringsmodeller forsøker å ta hensyn til tidligere utvikling i en tidsserievariabel i et forsøk på å predikere den framtidige utviklingen av den samme variabelen. • Vi skal først ta for oss forskjellige ekstrapoleringsteknikker som passer for stasjonære data. LOG350 Operasjonsanalyse

    13. TIDSSERIE Periode t 1 2 ….. t-1 t t+1 t+2 Tid t Variabel Yt Y1 Y2 Yt-1 Yt Yt+1? Yt+2 ? OBSERVASJONSER PREDIKSJONER Nå Basert på de historiske observasjonene skal vi forsøke å framskrive et datamønster for å lage prognoser for framtiden. LOG350 Operasjonsanalyse

    14. Stasjonær data LOG350 Operasjonsanalyse

    15. KONSTANTMODELLEN Variabel Yt Et Tid t LOG350 Operasjonsanalyse Nå

    16. KONSTANTMODELLEN Yt Et Data-modell: Prognose-modell: Tid t LOG350 Operasjonsanalyse

    17. ANSLAG PÅ NIVÅ: Naiv metode Yt Et Naiv metode: Prognose-modell: Bruker kun siste observasjon som anslag på nivået. Tid t LOG350 Operasjonsanalyse

    18. ANSLAG PÅ NIVÅ: Glidende gjennomsnitt Glidende gjennomsnitt: • Det finnes ingen generell metode for å bestemmek. • Vi må forsøke med forskjellige verdier forkfor å se hvilken som virker best. LOG350 Operasjonsanalyse

    19. ANSLAG PÅ NIVÅ: Veid glidende gjennomsnitt • Glidende gjennomsnitt veier alle tidligere observasjoner likt : • Veid glidende gjennomsnitt tillater at tidligere observasjoner vektlegges forskjellig. • Vi må bestemme verdier forkog allewi LOG350 Operasjonsanalyse

    20. ANSLAG PÅ NIVÅ:Eksponentiell glatting a. Eksponentiell glattet gjennomsnitt: Prognose-modell: Kan betrakte eksponentiell glatting som et veid gjennomsnitt av alle observasjoner, der siste observasjon har størst vekt. LOG350 Operasjonsanalyse

    21. ANSLAG PÅ NIVÅ:Eksponentiell glatting b. Eksponentiell glattet gjennomsnitt: Kan betrakte eksponentiell glatting som en veid sum av siste observasjon og forrige estimat. LOG350 Operasjonsanalyse

    22. ANSLAG PÅ NIVÅ:Eksponentiell glatting c. Eksponentiell glattet gjennomsnitt: Kan betrakte eksponentiell glatting som en forventet verdi, gitt siste observasjon. LOG350 Operasjonsanalyse

    23. ANSLAG PÅ NIVÅ:Eksponentiell glatting d. Eksponentiell glattet gjennomsnitt: Kan betrakte eksponentiell glatting som en oppdatering basert på korreksjon av prediksjonsfeil. LOG350 Operasjonsanalyse

    24. ANSLAG PÅ NIVÅ:Eksponentiell glatting Eksponentiell glattet gjennomsnitt: Ulike måter å tolke eksponentiell glatting, men samme matematiske konklusjon! LOG350 Operasjonsanalyse

    25. Prediksjonsprosessen • Del inn tidsserien: • Initialserie • Tilpassingsserie • Testserie (blindtest) • Beregn startverdier i initialserien. • Foreta tilpassinger i tilpassingsserien • Finn gode verdier på modellparametrene • Foreta prognoser i testserien. • Velg den prognosemetode som er best i blindtesten: • Oppdater modellen (Tilpassingsserien inkluderer nå også det som var testserien.) • Finn nye gode verdier på modellparametrene. • Lag prognose for den ukjente framtiden. LOG350 Operasjonsanalyse

    26. Et eksempel • Electra-City er en detaljist som selger audio og video utstyr for hjem og bil. • Lederen må hver måned bestille varer fra et lager langt unna. • Nå skal lederen forsøke å estimere hvor mange VCR’erforretningen vil komme til å selge neste måned. • Han har samlet data for de siste 24 månedene. LOG350 Operasjonsanalyse

    27. Data LOG350 Operasjonsanalyse

    28. Glidende gjennomsnitt LOG350 Operasjonsanalyse

    29. Veid glidende gjennomsnitt LOG350 Operasjonsanalyse

    30. Eksempel med toeksponensielle glattingsfunksjoner LOG350 Operasjonsanalyse

    31. Eksponentiell glatting LOG350 Operasjonsanalyse

    32. Startverdier • I steden for å bruke en formel for å beregne en startverdi, kan vi la Solver finne en ”optimal” startverdi. • Da kan vi beholde hele datasettet (fordi vi slipper å bruke noen av dataene til estimering av startverdier). • Vi får også en bedre tilpassning til de historiske dataene. LOG350 Operasjonsanalyse

    33. Eksponentiell glatting LOG350 Operasjonsanalyse

    34. 1. Del inn tidsserien Initialserie Tilpassingserie Blindtest LOG350 Operasjonsanalyse

    35. 2. Beregn startverdier Beregn startverdier Merk: Istedenfor formler, kan en la Solver velge startverdier. LOG350 Operasjonsanalyse

    36. 3. Foreta tilpassigner Lag en-periodiske prognoser, og oppdater modellparametrene. Bruk Solver til å minimere MSE i tilpassingsperioden, ved å velge verdier på modellparametrene. LOG350 Operasjonsanalyse

    37. 4. Lag prognoser i testserien Lag prognoser for hele blindtestperioden, med utgangspunkt i siste periode i tilpassingsserien. Beregn MSE for blindtestperioden. LOG350 Operasjonsanalyse

    38. 5. Lag prognoser for fremtiden Lag en-periodiske prognoser for hele datasettet, også det som tidligere var brukt til blindtest. Minimer MSE for hele den nye tilpassingsserien. Lag prognoser for framtiden, basert på siste periode med data. LOG350 Operasjonsanalyse

    39. Valg av prognosemodell Velg den prognosemetode som gir lavest prediksjonsfeil (MSE) i blindtesten. LOG350 Operasjonsanalyse

    40. Sesongvariasjoner • Sesongvariasjoner er et jevnt, repeterende mønster rundt en nivålinje, og er veldig vanlig i økonomiske data. • Kan være av additiv eller multiplikativ art... LOG350 Operasjonsanalyse

    41. Stasjonære sesongeffekter LOG350 Operasjonsanalyse

    42. Stasjonære data med additive sesongeffekter Anslag nytt nivå • Et er forventet nivå for periode t. • St er sesongfaktoren for periode t. Forrige nivå der Anslag ny sesong Forrige sesong p angir antall sesonger i et år LOG350 Operasjonsanalyse

    43. Stasjonære data med additive sesongeffekter • Initialverdier: Gjennomsnitt p angir antall sesonger i en syklus LOG350 Operasjonsanalyse

    44. Stasjonære data med additiv sesong 1. Formler beregner startverdiene. 2. Solver minimerer MSE i tilpassingsserien. 3. Bereger MSE for blindtesten. LOG350 Operasjonsanalyse

    45. Stasjonære data med additiv sesong 1. Solver beregner startverdiene. 2. Solver minimerer MSE i tilpassingsserien. 3. Bereger MSE for blindtesten. LOG350 Operasjonsanalyse

    46. Stasjonære data med additiv sesong 2. Solver minimerer MSE i tilpassingsserien. 1. Oppdaterer tilpassingsserien helt til slutten av datasettet. 3. Lager prognoser for framtiden. LOG350 Operasjonsanalyse

    47. Predikere ved modell med additive sesongvariasjoner Prediksjon gjort på tidspunkt 24 for periodene 25 - 28: LOG350 Operasjonsanalyse

    48. Stasjonære Data med Multiplikativsesongvariasjoner • Et er forventet nivå for periode t. • St er sesongfaktoren for periode t. Anslag nytt nivå Forrige nivå der Anslag ny sesong Forrige sesong p angir antall perioder i en syklus LOG350 Operasjonsanalyse

    49. Stasjonære data med multiplikative sesongeffekter • Initialverdier: Gjennomsnitt p angir antall sesonger i en syklus LOG350 Operasjonsanalyse

    50. Modell for stasjonære data ogmultiplikativesesongvariasjoner 1. Formler beregner startverdiene. 2. Solver minimerer MSE i tilpassingsserien. 3. Bereger MSE for blindtesten. LOG350 Operasjonsanalyse