Date post: | 12-Jul-2016 |
Category: |
Documents |
Upload: | manea-cristi |
View: | 244 times |
Download: | 2 times |
CURS 2 & 3 MODELARE ECONOMICA
Conf. dr. Nadia Ciocoiu
MODELAREA PROCESELOR ECONOMICE
CU TEHNICI DE PREVIZIUNE
Previziunea = o metodă sistematică de obţinere a unei estimări a valorii viitoare a unei variabile;
Se bazează, de obicei, pe analiza unei colecţii de observaţii privind comportamentul trecut al fenomenului /procesului / organizaţiei studiate.
Calitatea previziunilor depinde hotărâtor de cunoasterea temeinică a realitătii;
Este necesara folosirea unei metodologii complexe de previziune (o gamă cât mai largă de metode si tehnici).
Clasificarea metodelor de previziune:
de judecată - se bazează pe estimări subiective, mai degrabă decât pe date; sunt folosite pentru prognoze pe termen lung (mai ales când intervin factori ext.) sau atunci când nu există date istorice sau acestea sunt limitate;
ex: părerea experţilor, metoda Delphi, analogii istorice.
bazate pe serii de timp – în cazul în care evoluţia curentă a unui indicator depinde de nivelul anterior (în ipoteza păstrării unui comportament inerţial al fenomenului); ex: metoda mediilor mobile, metoda de ajustare, metode de decompoziţie.
cauzale – pentru care este posibilă identificarea unor relaţii funcţionale de tipul Y=f(x1, x2, …, xn) unde Y variabila dependentă este exprimată în funcţie de nivelul factorilor independenţi (x1, x2, … xn);
ex: analiza de regresie multiplă, analiza de corelaţie.
econometrice – în cazul unor ecuaţii simultane sau sisteme de ecuaţii ce descriu în formă matematică diferite legităţi economice.
Metode de previziune ce vor fi
studiate:
I. ANALIZA SERIILOR DINAMICE (CRONOLOGICE):
1. METODE DE EXTRAPOLARE
2. METODE DE DECOMPOZIŢIE (BAZATE PE DESCOMPUNEREA COMPONENTELOR)
II. ANALIZA DE REGRESIE ŞI DE CORELAŢIE
I. ANALIZA SERIILOR DINAMICE
(CRONOLOGICE)
O secvenţă de date de observaţie, în mod obişnuit ordonată în timp, este denumită serie de timp, sau serie dinamică.
Date - se referă la valori discrete măsurate la intervale egale de timp.
Metodologia care se ocupă cu analiza unor astfel de date se numeşte analiza seriilor de timp sau analiza seriilor dinamice.
Caracteristica esenţială a acestui tip de analiză este recunoaşterea implicită a importanţei ordinii de apariţie
a înregistrărilor.
Reprezentarea grafică a unei serii de timp evidenţiază cele mai importante caracteristici ale datelor acesteia: prezenţa/absenţa tendinţei, caracterul sezonier, existenţa unor discontinuităţi, etc.
ANALIZA SERIILOR DINAMICE (CRONOLOGICE) Reprezentarea grafica a seriilor de timp:
0
1
2
3
4
5
6
7
8
9
1 2 3 4 5 6 7 8 9 10
Timpul
Volu
mul van
zari
lor
Media
2. Vânzări cu trend fără
influenţe sezoniere sau ciclice 1. Vânzări relativ stabile fără trend
semnificativ şi fără influenţe
sezoniere sau ciclice
0
2
4
6
8
10
12
14
16
1 3 5 7 9
Timpul
Vo
lum
ul
van
zari
lor
ANALIZA SERIILOR DINAMICE (CRONOLOGICE)
Reprezentarea grafica a seriilor de timp:
0
2
4
6
8
10
1 3 5 7 9
Timpul
Vol
umul
van
zari
lor
Media
3. Vânzări cu variaţii
sezoniere fără trend
0
5
10
15
1 2 3 4 5 6 7 8 9 10
Timpul
Volu
mul van
zari
lor
4. Vânzări cu trend şi variaţii
sezoniere
I.1. METODE DE EXTRAPOLARE:
sugerează dezvoltarea inerţială (prelungirea în viitor) a unor elemente ale proceselor şi fenomenelor economice;
pot fi aplicate cu rezultate bune numai dacă procesul la
care se referă prezintă un caracter de repetabilitate, cu aceeaşi intensitate a dinamicii;
Limite: – oferă numai o imagine orientativă asupra perspectivei de evoluţie
dacă se recunoaşte faptul că viitorul NU reproduce fidel stările şi evoluţiile din trecut;
– se poate folosi cu succes numai pentru procesele economice ce evoluează fără discontinuităţi majore;
– riscul şi incertitudinea impun prelucrarea rezultatelor extrapolării cu metode adiţionale;
– pentru ca rezultatele să fie cât mai plauzibile se recomandă
operarea pe orizonturi de prognoză cât mai scurte.
Tipuri de extrapolari: 1. Extrapolarea analitică:
Utilizează drept bază informaţională iniţială un şir de date;
Seria poate fi extrapolată pe baza funcţiei matematice a evoluţiei indicatorului în timp.
Ideea de bază a acestor metode - considerarea seriei de date ca o succesiune de valori ale unei funcţii dependente de timp y=f(t), funcţie care ar urma să fie determinată cu aproximaţie prin metode matematice. Foarte recunoscute - metodele de nivelare (ajustare).
Tipul de funcţie matematică asociat seriei se identifică prin metoda diferenţelor finite
dacă momentele ti, i=1,...,m sunt ordonate aritmetic, iar diferenţele finite de ordinul 1 ale valorilor seriei (diferenţele dintre valori consecutive pentru variabila Xi), notate , sunt constante, relaţia dintre Xi şi ti este o dreaptă de forma:
Xi = a + b · ti
dacă momentele ti, i=1,...,m se succed aritmetic, iar datele formează o progresie geometrică, relaţia de legătură dintre acestea va fi o funcţie exponenţială de forma:
dacă se observă un ritm de variaţie relativ constant, după care acesta se micşorează, cu tendinţa de a se apropia de zero, se recomandă funcţia logistică: sau
ti
i baX
iX
tiiab1
kX
itbiea1
kX
Tipuri de extrapolari:
2. Extrapolarea fenomenologică:
utilizează drept bază informaţională iniţială ipoteze legate de structura fenomenului investigat.
Formal, deosebirea dintre extrapolarea analitică şi cea fenomenologică constă în modul diferit de identificare al clasei de funcţii care descrie tendinţa de variaţie a fenomenului investigat. Acest tip de extrapolare este utilizat cu precădere în cazul în care seriile de date disponibile sunt relativ scurte; se porneşte de la emiterea unor ipoteze asupra indicatorilor ce caracterizează fenomenul sau procesul.
O primă metodă constă în utilizarea experienţei empirice sau a unor rezultate deja obţinute în domeniul în care se efectuează cercetarea; există astfel, tipuri de curbe asociate unor tipuri de fenomene.
O altă metodă constă în identificarea unor legi de variaţie ale fenomenului urmărit şi în descrierea evoluţiei pe baza acestei legi.
Metode de ajustare (nivelare):
Ajustarea unei serii temporale = operatiunea de înlocuire a valorilor observate ale variabilei studiate cu alte valori. Noile valori sunt calculate prin metode adecvate cu scopul de a pune în evidenţă componentele considerate esenţiale ale seriei de date: trendul, fluctuaţiile ciclice, sezoniere si/sau neregulate.
sunt aplicabile în previziunile pe termen scurt, de pe o zi pe alta, de pe o luna pe alta, de pe un trimestru pe altul.
Cele mai utilizate:
1. metoda mediilor mobile,
2. metoda nivelării exponenţiale.
Metode de ajustare (nivelare):
Pentru metodele de ajustare, alegerea formei particulare (cu un singur parametru α, cu doi parametri α si β sau cu trei parametri α, β si γ) se poate face, într-un mod aproximativ, prin reprezentarea grafică a seriei de date:
- dacă pentru seria de date reprezentată se poate pune în evidenţă o tendinţă liniar crescătoare sau descrescătoare se alege modelul cu trend (cu doi parametri α si β );
- dacă pentru seria de date se pot evidenţia variaţii sezoniere se va alege modelul de ajustare cu sezonalitate (cu doi parametri α si γ);
- în situaţia în care, în mod simultan se pot observa o componentă de tip trend şi variaţii sezoniere se poate alege modelul de ajustare trend - sezonalitate (se folosesc trei
parametri α, β si γ).
1. Metoda mediilor mobile
determină previziunea pentru o perioadă de timp (zi, săptămână, lună, …, an etc.) prin medierea datelor din ultimele „n" perioade:
în care: Ft+1 - valoarea previzionată în perioada t+1; yt - valoarea realizată în perioada t; n - ordinul mediei mobile.
Adoptând ordine diferite ale mediei mobile, se poate ajunge la o corespondenţă mai apropiată sau mai îndepărtată a curbei previziunii faţă de curba evoluţiei datelor reale.
Eroarea poate fi apreciată pe baza diferenţelor dintre realitate şi previziune folosind formula erorii medii:
în care: Ft - valorile previzionate pentru perioadele t=1,...,m; yt - valorile reale disponibile; m - numărul de valori ale seriei de timp disponibile.
n
yyyF nttt
t11
1
...
nm
yF
e
m
nt
tt
2)(
2. Metoda nivelării exponenţiale (Brown)
În cazul seriilor de date pentru care nu se înregistrează trend şi variaţii ciclice sau sezoniere se poate utiliza modelul lui Brown de nivelare exponenţială primara (în jurul mediei).
Obiectivul metodei de previziune: netezirea (ajustarea) în jurul mediei vânzărilor a fluctuaţiilor întâmplătoare.
Ideea de bază: prin modelul de ajustare exponenţială propus de Brown se atribuie datelor referitoare la vânzările din trecut, ponderi invers proporţionale cu vârsta lor, considerând că, în evoluţia procesului, datele recente sunt mai valide decât cele vechi.
2. Metoda nivelării exponenţiale (Brown)
Presupunem ca se cunosc:
Previziunea vânzărilor în perioada (t) pentru perioada (t+1) =
Rt = Rt-1+(St - Rt-1) sau
Rt = St +(1-)Rt-1
unde = constantă de nivelare, 0 1.
Perioadele Vânzările
efective
1
2
t-2
t-1
t
S1
S2
St-2
St-1
St
t+1 ???????
Pe baza lor se calculează in perioada t
previziunea pentru perioada t+1
2. Metoda nivelării exponenţiale (Brown)
Concluzie:
Modelul Brown determină previziunea Rt pentru perioada (t+1) pe baza a trei valori:
Rt = · St +(1-)· Rt-1
Previziunea iniţială;
Vânzările efective din perioada curentă t;
Constanta de nivelare 0 1 => aleasă de decident.
Observaţie: Produsul informatic WINQSB foloseste ca notaţii:
Rt = St + (1-) Rt-1
Ft+1= Yt +(1-)Ft
Alegerea valorii lui alpha (α) influenteaza ajustarea oscilatiilor din seria de date reale.
2. Metoda nivelării exponenţiale (Brown)
Alegerea constantei de nivelare 0 1:
1. Pe baza indicatorilor erorilor de previziune (et = Yt - Ft )
Media erorilor la pătrat = MSE =
Media erorilor absolute = MAD =
Media procentuală a erorilor absolute = MAPE
Suma erorilor de previziune = CFE =
Tracking Signal (semnal de urmarire) = TS =
TS: pozitiv: există tendinţă de creştere a vânzărilor
negativ: există tendinţă de descreştere a vânzărilor
Numai dacă TS > 5 => există o tendinţă reală de creştere sau descreştere a vânzărilor
n
n
1t
2)te(
n
n
1tte
n
1tte
MAD
CFE
2. Metoda nivelării exponenţiale (Brown)
Alegerea constantei de nivelare 0 1:
2. Din analiza modelului R t = St + (1-) Rt-1 rezultă că dacă:
tinde spre 1 => Rt St (previziunile urmaresc oscilatiile valorilor efective)
mult mai mic decat 1 => Rt Rt-1 ... R0 media valorilor efective
3. Din analiza modelului Rt = Rt-1 + (St - Rt-1) rezultă că dacă:
Diferenţele |St - Rt-1| sunt mari, atunci se recomandă alegerea unui
mic (spre 0) pentru a nu permite transferarea fluctuaţiilor mari în
previziune.
Diferenţele |St - Rt-1| sunt mici, atunci se recomandă alegerea unui
mare (care tinde spre 1) pentru a permite previziunii să reacţioneze rapid la eventualele schimbări.
4. Prin simulare (testari succesive) pe baza unui criteriu specificat de decident.
2. Metoda nivelării exponenţiale (Brown)
Etape de lucru:
Obţinerea datelor privind vânzările produsului în perioadele trecute
Analiza datelor pe baza reprezentării grafice
Alegerea modelului de previziune
Definirea parametrilor modelului: perioada sau perioadele pentru care se va face previziunea, alegerea constantei de nivelare, determinarea previziunii iniţiale
Realizarea previziunii cu un produs informatic:
WINQSB/Forecasting and Linear Regression/Time Series Forecasting/
Single Exponential Smoothing
Excel (Data Analysis/ Exponential Smoothing)
Analiza influenţei constantei de nivelare asupra previziunii Interpretarea economică a rezultatelor.
Aplicatie practica (de aprofundat la seminar!!)
Luna Actual Data
Forecast by SES
1 21.00
2 22.00 21.00
3 16.00 21.30
4 18.00 19.71
5 19.00 19.20
6 14.00 19.14
7 18.00 17.60
8 20.00 17.72
9 18.40
13
14
15
16
17
18
19
20
21
22
1 2 3 4 5 6 7 8 9
Timpul
Va
nza
ril
e
Date reale Estimatii alfa=0,3
Media Estimatii alfa =0,9
Alpha = 0.3 F(0) = 21
CFE = -8.66 MAD = 2.29
MSE = 9.12 MAPE = 14.08 Trk.Signal = -3.78
3. Algoritmul Holt-Winters
în situaţia în care, în mod simultan se pot observa o componentă de tip
trend şi variaţii sezoniere se poate alege modelul de ajustare trend-
sezonalitate Holt-Winters.
Necesita trei ecuatii (Ft, Tt, St) si 3 parametrii (α, β, γ) .
In functie de tipul de sezonalitate exista modele aditive si multiplicative. Ex: daca vanzarile de jucarii au un varf in fiecare decembrie, cu o crestere de
100000 lei fata de luna decembrie din anul anterior, atunci previziunea tb sa
creasca in luna decembrie cu aceasta valoare, iar modelul este aditiv.
Daca se cunoaste ca exista o crestere de 40% a vanzarior in luna decembrie fata
de restul anului, atunci modelul este multiplicativ.
Rezolvarea se poate face cu ajutorul produsului informatic WINQSB/
Forecasting/ Times Series Forecasting/ Holt-Winters Multiplicative
Algorithm sau WINQSB/ Forecasting/ Times Series Forecasting/ Holt-
Winters Additive Algorithm
Modelul aditiv Modelul multiplicativ
timp
valoare
timp
valoare
3. Algoritmul Holt-Winters
3. Algoritmul Holt-Winters Aplicatie practica
Anul Trimestrul I Trimestrul II Trimestrul III Trimestrul IV
2008 4000 4200 5600 5900
2009 5200 5700 7200 9500
2010 4750 5200 6900 9500
2011 5900 6300 8250 ?
2012 ? ? ?
O firma comercializează produse de sticlărie pentru menaj;
pe baza datelor din ultimii 3 ani asupra volumului (mil. u.m.)
de vânzări trimestriale (tabelul 1) se cere să se efectueze
prognoza acestui indicator pentru următoarele 4 trimestre
pentru fundamentarea planului curent de investiţii.
Conducerea societăţii este interesată în efectuarea prognozei
pentru următoarele 4 trimestre.
3. Algoritmul Holt-Winters Aplicatie practica (WINQSB)
Quarter Actual
Data x(t) F(t) T(t) S(t) Forecast
f(t+h)
Formula de calcul pentru
f(t+h)
1 4000,0000 0 0 0,8122
2 4200,0000 0 0 0,8528
3 5600,0000 0 0 1,1371
4 5900,0000 4925,0000 0 1,1980
5 5200,0000 5072,7500 29,5500 0,8761 4000,0000 = [4925+1·0]·0,8122 6 5700,0000 5260,4630 61,1826 0,9220 4351,2000 = [5072,75+1·29,55]·0,8528 7 7200,0000 5422,6950 81,3925 1,1943 6051,0080 ........ 8 9500,0000 5746,6880 129,9125 1,3345 6593,7300 9 4750,0000 5831,1450 120,8214 0,8576 5148,2150
10 5200,0000 5920,7480 114,5778 0,9089 5487,8360 11 6900,0000 6009,5550 109,4236 1,1804 7207,7780 12 9500,0000 6218,9490 129,4177 1,3924 8165,8770 13 5900,0000 6401,4840 140,0413 0,8768 5444,4530 14 6300,0000 6580,5230 147,8406 0,9234 5945,5590 15 8250,0000 6754,4200 153,0521 1,1927 7942,4090 16 9618,2310 =[6754,42+1·153,0521]·1,3924
17 6190,8710 = [6754,42+2·153,0521]·0,8768
18 6661,2880 = [6754,42+3·153,0521]·0,9234 19 8786,4180 = [6754,42+4·153,0521]·1,1927
3. Algoritmul Holt-Winters Aplicatie practica
c=4
Alpha=0,1
Beta=0,2
Gamma=0,3
F(0)=4925
T(0)=0
S(1)=0,8122
S(2)=0,8528
S(3)=1,1371
S(4)=1,1980
Algoritmul multiplicativ Holt-Winters:
F(t) = α x(t)/S(t-c) + (1- α )[F(t-1)+T(t-1)]
T(t) = β [F(t)-F(t-1)] + (1- β)T(t-1)
S(t) = γ x(t)/F(t) + (1- γ)S(t-c)
Previziunea: f(t+h) = [F(t)+hT(t)]S(t+h-c) for h=1,2,..., c
f(t+h) = [F(t)+hT(t)]S(t+h-2c) for h=c+1,c+2,..., 2c
f(t+h) = [F(t)+hT(t)]S(t+h-3c) for h=2c+1,2c+2,..., 3c
etc.
unde: c este lungimea ciclului de sezonalitate, (c=4)
α, β, γ sunt constante de ajustare , 0 ≤ α ≤ 1, 0 0 ≤ β ≤ 1, 0 ≤ γ ≤ 1
Fie m media pentru primul ciclu, de la t=1 la c=4.
Valorile iniţiale sunt: F(0)= m, T(0)=0, S(t) = x(t)/m pentru t=1,…,4.
Pentru exemplificare:
S(1) = x(1)/m= 4000/4925=0,8122
F(5) = x(5)/S(1) + (1-)[F(4)+T(4)] = 0,1·5200/0,8122 + 0,9·[4925+0]=5072,75
T(5) = β[F(5)-F(4)] + (1- β)T(5)= 0,2·[5072,75-4925] + 0,8·0 = 29,55
S(5) = γ x(5)/F(5) + (1- γ )S(1) = 0,3·5200/5072,75 + 0,7·0,8122 = 0,8761
în care la prima iteraţie S(1)=0,8122, T(0)=0
I.2. METODE DE DECOMPOZITIE:
I.2. METODE DE DECOMPOZITIE:
Trendul (Tt) defineşte tendinţa generală a
evoluţiei fenomenului indicatorului Yt
desfăşurată pe o perioadă lungă de timp.
Această componentă poate fi relevată ca
unică, în cazul seriilor ale căror diferenţe
finite sunt constante, sau ca o componentă
fundamentală ce poate fi izolată de celelalte
componente, în cazul seriilor de timp
decompozabile. Identificarea trendului se
poate efectua reprezentând grafic, la scară
termenii seriei sau analitic, prin încercarea
mai multor funcţii dintre care se alege cea
cu un indicator de eroare minim – de
exemplu, “deviaţia standard minimă” adică
diferenţa între valorile reale ale seriei
introduse în calculator şi valorile ajustate cu
funcţiile matematice menţionate.
Variaţia ciclică (Ct) se
manifestă prin oscilaţii relativ
ample ale indicatorului sau
fenomenului analizat, iar durata
ciclului se poate observa în
perspectiva mai multor ani.
Oscilaţiile sunt generate de
alternanţa perioadelor de
creştere, cu perioadele de
stagnare, precum şi de alte
cauze generale sau locale.
Se determină prin metodele
indexării.
I.2. METODE DE DECOMPOZITIE:
Variaţia sezonieră (St) apare ca
urmare a influenţelor sezonale din
timpul perioadei previzionate. Are
oscilaţie mai frecventă decât
componenta ciclică. Uneori variaţia
sezonieră este generată de
anotimpuri şi comportamentul
oscilant în funcţie de acestea sau de
obiceiuri, tradiţii sau fenomene
sociale.
Se determină prin metodele
indexării.
Variaţia aleatoare (Rt) se
produce fără a avea cauze
speciale care să o determine în
mod previzibil sau cauzal şi fără
posibilitatea de a i se atribui un
model de repetare sistematică.
I.2. METODE DE DECOMPOZITIE:
Dupa prognozare izolata cele 4 elemente se compun in forma aditiva sau
multiplicativa.
- în formă aditivă: unde T, S, C, R sunt exprimate ca valori
absolute;
- în formă multiplicativă: unde T, S, C, R sunt exprimate ca %
sau proporţii.
Alegerea unei anumite forme este influenţată de modul de variaţie a factorilor
ciclici şi sezonieri la modificările valorilor seriei dinamice:
modelul aditiv: când factorii componenţi sunt independenţi (ex.: mărimea
variaţiei sezoniere nu e afectată de valoarea tendinţei); variaţiile sezoniere şi
cele ciclice nu sunt proporţionale cu mărimea valorilor din seria de date (în
această situaţie, amplitudinea variaţiilor sezoniere este aproximativ constantă
în timp).
modelul multiplicativ: utilizat în mod frecvent când caracteristicile
interacţionează (în care variaţiile sezoniere cresc proporţional cu trendul).
ttttt RSCTY
ttttt RSCTY
II. ANALIZA DE REGRESIE
ŞI DE CORELAŢIE
Analiza regresiei =
o clasă de metode prin care,
folosind o ecuaţie de regresie
determinată pe baza unor date
experimentale, pot fi estimate
(previzionate) valorile unor
variabile dependente Y,
presupunând cunoscute ori
previzionate valorile
variabilelor independente X (x1,
x2, …, xn).
Analiza corelaţiei =
evaluarea gradului de
interdependenţă (asociere)
între variabilele considerate
într-un model de regresie, în
particular între variabila
dependentă Y şi cele
independente X (obiectiv care
se realizează prin estimarea
coeficienţilor de corelaţie şi a
coeficientului de determinare).
II. ANALIZA DE REGRESIE
ŞI DE CORELAŢIE
Pentru a aprecia semnificaţia estimatorilor (a si b):
• pentru un set de date de volum n ≤ 30 se aplică testul Student cu n-2 grade
de libertate;
• pentru n ≥ 30 se aplică testul Z al distribuţiei normale.
Coeficientul de corelaţie (R) – măsoară „puterea” relaţiei de dependenţă liniară
intre variabile printr-o valoare numerică între –1 şi 1;
– Dacă R = 0 nu există corelaţie de tip liniar între Y şi X (dar pot exista alte tipuri de
dependenţă, de exemplu, neliniară)
– Dacă R > 0 şi apropiat de valoarea 1, atunci creşterile factorului X vor determina
creşteri ale variabilei Y
– Dacă R < 0 şi apropiat de -1, atunci scăderi ale factorului X vor determina scăderi
pentru Y.
Coeficientul de determinare (R2) măsoară cat din variaţia lui Y poate fi
atribuită cunoaşterii factorilor Xi şi a relaţiei Y = f(X).
De ex. o valoare R2=0.76 indică că aproximativ 76% din variaţia totală a variabilei
Y poate fi explicată prin variabilele dependente X incluse în model (o valoare 0.8
este considerată acceptabilă).
Coeficientul corectat de determinare (Ṝ2) se foloseşte atunci când numărul de
observări este egal cu numărul coeficienţilor estimaţi. In cazul regresiei
multiple, R2 sau Ṝ2 reprezintă o măsură a efectului combinat al ansamblului
variabilelor independente asupra variabilei dependente.
II. ANALIZA DE REGRESIE
ŞI DE CORELAŢIE
2R
II. ANALIZA DE REGRESIE
ŞI DE CORELAŢIE
Aplicatie practica
in Excel: Tools > Data
Analysis/Regression
in WINQSB/Forecasting/
Linear regression
II. ANALIZA DE REGRESIE
ŞI DE CORELAŢIE
Luna Nr agenti Vanzari
1 10 1215
2 15 1251
3 18 1305
4 17 1383
5 16 1280
6 18 1450
7 20 1540
8 21 1750
9 23 1835
10 23 1923
11 24 2050
12 22 1950
II. ANALIZA DE REGRESIE
ŞI DE CORELAŢIE REGRESIE LINIARA (VANZARI IN FUNCTIE DE LUNA)
Regression Statistics
Multiple R 0,9608
R Square 0,9231 Adjusted R
Square 0,9154 Standard
Error 89,1866
Observations 12
ANOVA
df SS MS F Significance
F
Regression 1 954166,161 954166,161 119,957 0,00000069
Residual 10 79542,506 7954,251
Total 11 1033708,667
Coefficients Standard Error t Stat P-value Lower 95% Upper
95% Lower
95,0% Upper 95,0%
Intercept 1046,712 54,891 19,069 0,000 924,408 1169,016 924,408 1169,016
X Variable 1 81,685 7,458 10,952 0,000 65,068 98,303 65,068 98,303
0
500
1000
1500
2000
2500
0 5 10 15
Y
X Variable 1
X Variable 1 Line Fit Plot
Y
Predicted Y
II. ANALIZA DE REGRESIE
ŞI DE CORELAŢIE REGRESIE MULTIPLA (VANZARI IN FUNCTIE DE LUNA SI NR. AGENTI)
Regression Statistics
Multiple R 0,9634
R Square 0,9281 Adjusted R
Square 0,9121
Standard Error 90,869
Observations 12
ANOVA
df SS MS F Significance
F
Regression 2 959393,36 479696,68 58,09 7,162E-06
Residual 9 74315,31 8257,26
Total 11 1033708,67
Coefficients Standard
Error t Stat P-
value Lower 95% Upper
95% Lower
95,0% Upper
95,0%
Intercept 887,555 207,707 4,273 0,002 417,688 1357,422 417,688 1357,422
X Variable 1 68,242 18,526 3,684 0,005 26,334 110,151 26,334 110,151
X Variable 2 13,033 16,380 0,796 0,447 -24,022 50,087 -24,022 50,087
II. ANALIZA DE REGRESIE
ŞI DE CORELAŢIE
Din regresia liniara rezulta: ecuatia de regresie are
forma: Y= 1046,712+81,685·X, de unde rezulta ca
vânzarile pentru luna 13 sunt Y(13)=
1046,712+81,685·(13)=2108,621
Din regresia multipla rezulta: ecuatia de regresie
are forma: Y= 887,555+68,242·X1 + 13,033 ·X2