Componente erratica! Le MM isolano la componente ciclica Ct della serie già detrendizzata e destagionalizata. Ne consegue che i rapporti (! C u $ + et = 100 *# t t & '1)" C t % , Dovrebbero avere natura essenzialmente erratica. Cioè Test dei punti di svolta! Si conta il numero di svolte: picchi e valli.! Una svolta richiede 3 punti consecutivi: et-1, et, et+1 . In una serie di n punti esistono n-2 terne consecutive (esclusi il primo e l"ultimo)! Se la serie fosse casuale allora i 3!=6 possibili ordinamenti sarebbero equipresenti. Tra questi solo quattro contengono un punto di svolta! A partire dalla variabile indicatore ! Turning points test! Sono simmetrici intorno allo zero Sono fra di loro incorrelati "1 se et!1 <e t > et+1 oppure et!1 > e t < et+1 It = # $0 altrimenti Queste condizioni possono essere sottoposte a verifica! n"2 Sono privi di strutture riconoscibili Il numero dei punti di svolta è! P = # It t= 2 Se non è così allora negli errori et è presente una componente sistematica che non è stata individuata dall’approccio classico.! In caso di valori coincidenti il valore si considera unico e non ripetuto riducendo conseguentemente n! ! Test dei punti di svolta/2! La statistica P ha valore atteso e varianza note! n(2 n(2 "4% 2 E ( P ) = ) E ( It ) = )$ ' = ( n ( 2); # & 3 t= 2 t= 2 6 16n ( 29 Var( P ) = 90 All"aumentare del numero dei termini, ferma restando la casualità, la distribuzione di P tende alla gaussiana.! ! Quindi possiamo testare l"ipotesi di residui senza struttura con la statistica ! 2 P " ( n " 2) 3 16n " 29 90 Se il valor p è inferiore a 0.01, si rifiuta l"ipotesi di erraticità! ! Esempio -Commercio al dettaglio! t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 et 0.9966 0.9982 0.9737 1.0037 1.0234 0.9878 1.0006 0.9996 1.0023 1.0012 1.0040 0.9870 1.0030 1.0133 0.9935 0.9944 1.0040 0.9888 1.0196 0.9953 0.9999 0.9881 1.0092 0.9933 1.0022 0.9870 1.0292 1.0010 0.9738 1.0231 0.9797 1.0068 0.9995 1.0098 0.9785 1.0061 Grafico degli et! It 1 0 1 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 29 et 1.04 1.03 1.02 1.01 et 1.00 0.99 0.98 0.97 0 5 $ 29 ! 2 ( 36 ! 2 ) % " # 3 ( 16& 36 ! 29 ) 90 10 15 20 25 30 35 40 Il valor p è 0.0051. C’è un forte = 2.5689 sospetto di NON casualità! Test dei ranghi! Test dei ranghi/2! Il confronto può essere esteso a tutte le coppie di errori consecutivi.! La q è legata al famoso ! di Kendall per la correlazione tra ranghi ! != 4q "1 n( n "1) Bisogna contare il numero q di volte in cui si ha ej>ei per j>i.! ! varia tra -1 e 1 ed ha valore atteso nullo in una serie erratica. ! Si considerano n(n-1)/2 coppie. Il valore atteso in una serie del tutto erratica è! E( q) = La deviazione standard del ! è! n( n !1) 4 n ( n + 1)(2n + 5) 72 " (# ) = Il rapporto tra ! ed il suo scarto quadratico medio può essere usato per sottoporre a verifica l"ipotesi di erraticità! ! 318 4 "1 36x35 = 0.00026 36x37x77 72 Valori di q molto superiori alla media fanno pensare ad un trend crescente, non del tutto rimosso dalla serie. ! Se invece q è molto minore della media il trend residuo deve essere ritenuto decrescente. ! Commercio al dettaglio.! Il valore del ! di Kendall è molto prossimo allo zero per cui, almeno sotto questo aspetto della casualità, è da ritenersi priva di struttura! ! Test dei segni! Test dei segni/2! I segni degli errori si susseguono nel tempo in maniera casuale?! Una coppia di segni successivi concordi: (+,+) oppure (-,-) è una permanenza ed una di segni discordi (+,-) (-,+) è una variazione! Ad esempio, la successione! ! ! + ! + ! + + ! ! + + + ! ! + ! ! + + + + ! ! + + Se la serie fosse casuale la tabella dovrebbe mostrare indipendenza! Segni + + 7 Segni + ! Totale + 7.28 5.72 13 ! 6.72 5.28 12 Totale 14 11 25 Totale 13 ! 6 ! 7 5 Totale 14 11 12 25 A questo fine si può adoperare il test del chi-quadrato! Valor p=0.8213! Ha 25 coppie adiacenti di segni a partire da (-,-) e a finire con (+,+)! Segni + ! Totale + 7 6 13 ! 7 5 12 Totale 14 11 25 ! c2 = 2 (7 " 7.28) 7.28 + ( 6" 5.72) 5.72 2 + ( 7" 6.72) 6.72 2 2 + (5 " 5.28) 5.28 = 0.051 Le permanenze sono 12 e riportate sulla diagonale .! Le divergenze sono 13 e riportate fuori diagonale ! Se fosse vera l"ipotesi di casualità, un valore di chi2 pari a 0.051 o minore, lo si potrebbe osservare l"82% delle volte (circa 8 su 10) cioè non è troppo raro e quindi si accetta l"ipotesi che i residui siano casuali.! t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 et -0.3400 -0.1784 -2.6325 0.3735 2.3406 -1.2167 0.0561 -0.0428 0.2343 0.1159 0.4016 -1.2977 0.2987 1.3346 -0.6549 -0.5628 0.3998 -1.1187 1.9568 -0.4661 -0.0104 -1.1868 0.9232 -0.6652 0.2222 -1.2964 2.9236 0.1017 -2.6192 2.3051 -2.0309 0.6815 -0.0458 0.9819 -2.1495 0.6148 -- ++ 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 5 +0 0 0 1 0 0 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 5 -+ 0 0 0 0 1 0 1 0 0 0 1 0 0 1 0 0 1 0 1 0 0 0 1 0 1 0 0 1 0 1 0 1 0 1 12 Correlazione seriale ! Esempio :! Commercio al dettaglio! 0 0 1 0 0 1 0 1 0 0 0 1 0 0 0 1 0 1 0 0 0 1 0 1 0 1 0 0 1 0 1 0 1 0 12 Segni + ! + 5 12 ! 12 5 Totale 17 17 Significa che le osservazioni collocate in periodi distanziati di un ritardo fisso hanno un certo grado di dipendenza lineare.! Totale La correlazione seriale è misurata dalle autocovarianze e dalle autocorrelazioni di lag k (cioè spaziate di k periodi)! 17 17 34 ! k = Cov( yt ,yt "k ) = E[( yt " µ)( yt"k " µ)], k = 0,1, 2,… ! c2 = 5.765 " p # value = 0.0163 E" evidente che! La casualità dei coefficienti di ciclicità è posta seriamente in discussione da questo test! La formula presuppone la STAZIONARIETA" cioè che la media E(yt)=µ sia costante nel tempo e che le autocovarianze dipendano solo dal lag k, ma non dal tempo t a cui siano riferite.! Condizione di stazionarietà ! Autocorrelazioni ! Una serie è stazionaria se ! 1)#Non ha ciclo- trend oppure se questo è stato rimosso, cioè la retta parallela all"asse delle ascisse intorno a cui ruota la serie, rimane la stessa nel tempo.! L"autocorrelazione teorica di lag k è data da! 2)#Le fluttuazioni intorno ad essa hanno la stessa variabilità in periodi diversi.! Yt ! k = ! "k !k = Cov( yt ,yt "k ) [Var ( yt )Var( yt"k )] = N.B. !0 = "2 #k # = k , k = 0,1,2,…, # 0# 0 # 0 Non stazionaria Stazionaria 118.0 116.0 114.0 112.0 110.0 108.0 106.0 104.0 102.0 100.0 98.0 118.0 116.0 Yt 114.0 L"insieme delle autocorrelazioni considerate come funzioni del lag k è noto come ! 112.0 110.0 CORRELOGRAMMA oppure FUNZIONE DI AUTOCORRELAZIONE! 108.0 106.0 104.0 102.0 0 5 10 15 20 25 30 0 10 20 30 Questo tipo di serie sono stazionarie “in media e varianza”. ! I residui dell"approccio classico dovrebbero oscillare così intorno alla media zero.! Data la simmetria della covarianza, si ha !k = ! " k , k = 1,2,…, !0 = 1 Caclolo delle autocorrelazioni ! L"equivalente empirico delle autocorrelazioni è! n " t= k+1 rk = ( yt ! µ y )( yt! k ! µ y ) n n " n ( t=1 " yt ! µ y = )2 t= k+1 Ricostruzione della serie storica ! Dove µy è la media campionaria della serie storica Y.! ( yt ! µ y )( yt! k ! µ y ) n 2 " ( yt ! µ y ) t=1 per Si moltiplica il trend per i coefficienti di stagionalità e di ciclicità! Rt = Tˆt Cˆ t Sˆ t k = 1,2,…, n Nell"ipotesi che "k=0 per ogni k>Q la varianza di rk è! Var( rk ) ! Q 1 $& ' 1+ 2 # " k2 n% k=! ( Il Trend assorbe il movimento di lungo periodo, non ripetitivo, continuo e senza sbalzi, almeno nell"arco di tempo considerato.! orientativamente! Q=10+[$n] ! Se l"approccio seguito nella scomposizione è stato rigoroso ed efficace , allora le autocorrelazioni NON dovrebbero essere troppo diverse da zero.! La stagionalità rappresenta i movimenti legati a ricorrenze infrannuali sistematiche ancorché irregolari che si esauriscono nell"anno.! Esempio ! Gaussianità ! Monthly Air traffic at Toulouse Blagnac Airport Molta della teoria inferenziale delle serie storiche poggia sull'ipotesi che i residui siano gaussiani. 0.00 Ci si aspetta in pratica che se si costruisse l'istogramma dei residui esso assumerebbe la tipica forma campanulare delle distribuzioni gaussiane. -0.10 500 Residuals 0.10 Monthly Air traffic at Toulouse Blagnac Airport 2000 2005 0.4 0.2 PACF -0.2 -0.4 5 1995 2000 2005 0.0 0.4 0.2 0.0 -0.4 -0.2 ACF 400 300 Passengers 1995 Passengers Estimates 10 I coefficienti ciclicità esprimono oscillazioni periodiche pluriennali dovute a cause congiunturali. ! 15 Lag 20 25 5 10 15 20 Lag Inadeguatezza nella determinazione del ciclo-trend e, in misura minore, nella stagionalità 25 Nelle applicazioni della vita reale la gaussianità è rara come l'unicorno e quindi le indicazioni che la presuppongono debbono sempre essere valutate con sano scetticismo! Esempio! UK gas consumption 1200 Verifica ! 1000 Consideriamo due indicazioni della gaussianità dei residui 600 UK gas consumption 1960 1965 1970 1975 1980 1985 0.2 U.S. dollars Estimates Per residui gaussiani dovrebbero entrambi tendere a zero ! Approccio classico e residui! La serie ricostruita non ha componente erratica o almeno non la include esplicitamente.! Una stima approssimata degli errori si ottiene dalle differenze! eˆt = Rt Tˆ Cˆ Sˆ "1 = t t t "1 Yt Yt Il successo del metodo di scomposizione si può misurare con il valorp con cui NON si rifiuta l"ipotesi di erraticità e, in misura minore, l"ipotesi di! gaussianità nei vari test proposti.! Rispetto alla erraticità occorre considerare che, tanto i coefficienti di stagionalità quanto quelli di ciclicità, provengono da medie mobili che potrebbero aver indotto un effetto Slustky-Yule.! La presenza di strutture nei residui quindi non è necessariamente dovuta a scelte sbagliate nella estrazione delle varie componenti.! E’ rimasta qualche componente inespressa. 0.0 0.1 Quoziente logaritmico di variabilità #" & Log% e ( + 1 $ IQe ' 0.3 200 0.4 0.5 400 U.S. dollars 800 Bowman_Shenton (1975) -4 -2 0 e 2 Esempio! Esempio! Le diagnostiche in questo caso evidenziano un esito inadeguato.! Le revisioni possono riguardare il Trend, la Stagionalità ed il Ciclo.! Arrivare ad un buon risultato può richiedere diversi passaggi.! La ricostruzione è accettabile, ma è avvenuta conoscendo già quello che era successo. Le previsioni sono un’altra cosa.! L"approccio classico sembra ignorare informazioni significative sia rispetto al ciclo-trend che rispetto alla stagionalità! Previsioni nell"approccio classico ! La estrapolazione delle componenti avviene con la traslazione temporale delle formule! Yˆt +k = Tt +k Ct +k St +k ; k = 1,2,..., Allungare il trend è semplice: si valuta il modello analitico per le nuove ascisse. Se non si allunga troppo il risultato è in genere attendibile! ! La stagionalità fissa o variabile si estende replicando i coefficienti puri dell"ultimo anno. ! St+k = St+k"12 ; k = 1,2,..., Anche la ciclicità si estende ipotizzando gli effetti del nuovo anno simili a quelli del vecchio.! ! La previsione con l’approccio classico, nella versione da noi descritta, non può prevedere l’intervento di eventi che modificano sostanzialmente il comportamento della serie.! Questi possono accadere anche nel brevissimo periodo! Misure di adattamento! La estrapolazione delle componenti avviene con la traslazione temporale delle formule! # $ (Yˆ Root Mean Squared Prediction Error! t +k RMSE = " Yt +k ) /Yt +k 2 k=1 # # $ (Yˆ t +k Mean Absolute Prediction Error!! # I cambiamenti bruschi possono essere inclusi nel processo se sono già avvenuti in passato.! L’approccio classico non è esatto, ma può essere utile! Yˆt +k " Yt +k! $( Theil' s U = ) k=1 # $ (Yˆ ) t +k k=1 2 + MAPE = # Il calcolo si basa sull"idea del ! “leaving-one-year out”: un anno è accantonato per valutare l"accuratezza della previsione.! 2 (Yt +k ) " Yt +k ) /Yt +k k=1 2 L"indice TU varia tra zero ed uno! http://camcomrer-test.redturtle.it/studi-ricerche/banchedati/bd/lavoro/amsocial/cig/cigordin/Cig_mensile.xls/view! ESEMPIO! Le funzioni periodiche! Una funzione si dice periodica se i suoi valori si ripetono esattamente a intervalli regolari.! f ( t ) = f (t + kr) " t, k = 0,±1,±2,… Il minimo tra gli “r” che soddisfa tale condizione è il periodo della funzione e questa è detta funzione periodica di periodo “r”! ! Le funzioni periodiche più comuni sono il seno e coseno trigonometrici.! asen ( wt ), bsen ( wt ) con periodo:! ! r= 2" w a e b sono dei coefficienti Questa impostazione dell"approccio classico renderà più esplicite le ! componenti periodiche quali la ciclicità e la stagionalità.! ! Ripasso ! Il seno di un angolo x (in gradi o radianti) è definito a partire dalla circonferenza goniometrica, ovvero dalla circonferenza di raggio unitario nel piano cartesiano.! Presa la semiretta uscente dall'origine che forma un angolo x con l'asse delle ascisse, il seno dell'angolo è il valore della coordinata y del punto di intersezione tra la semiretta e la circonferenza (in figura, è la lunghezza del segmento DC).! Ripasso/2 ! Si definisce il coseno considerando una circonferenza di raggio unitario ed una semiretta uscente dall'origine che forma un angolo x con l'asse delle ascisse.! Il coseno dell'angolo x è definito come il valore della coordinata x del punto di intersezione tra la semiretta e la circonferenza (lunghezza del segmento OC).! Per angoli tra 0 e " / 2, il coseno di un angolo è il seno dell'angolo complementare, cioè! Funzioni seno e coseno! Seno e coseno/2! La prima questione da affrontare è come si comporta la funzione sen(ax) , dove a è un numero reale positivo fissato a piacere. ! Se le funzioni seno e coseno hanno periodo “r” allora saranno anche periodiche con periodo “2r”, “3r”, …! Considerare “ax” come argomento del seno corrisponde a cambiare la scala delle ascisse cioè il grafico di sen(ax) è quello di sen(x) ``dilatato'' o “contratto” secondo che “a” sia minore o maggiore di uno in valore assoluto! Quando si parla di periodo si sottintende che si considera il periodo minimo, definito come il più piccolo p tale che f(x+r) = f(x) per ogni x! 1.5 Piú in generale sen(kx) e cos(kx) , con k intero, hanno come periodo minimo r=2k/%.! 1.5 1 sen(x) nell"intervallo (0,4%) ha due picchi e due valli .! cos(x) nell"intervallo (0,4%) ha tre picchi e due valli.! 0.5 1 0.5 sen(4x) ha 8 picchi e 8 valli! Sen(x) Sen(4x) 0 0 2 4 6 8 10 12 14 Sen(2x/!) cos(4x) ha 9 picchi e 8 valli! Cos(x) Cos(4x) 0 sen(2x/#) sale e scende una sola volta! cos(2x/#) sale una volta e scende due volte! -0.5 0 2 4 6 8 10 12 14 Cos(2x/!) -0.5 -1 -1 -1.5 -1.5 Metodologia BV4! Studiamo una versione semplificata del metodo sviluppato dall"ufficio centrale di statistica tedesco! Si tratta di uno schema ADDITIVO! yt = Tt + Ct + St + ut Trend-Ciclo = Un polinomio in t (di solito la cubica)! Stagionalità = Somma di armoniche normalizzate! E" caratteristica l"ibridazione dei polinomi e delle armoniche di solito usate in contesti diversi (ad esempio in fisica).! Scomposizione in serie di Fourier! Questo approccio alle serie storiche venne avviato nei primi anni del secolo scorso, ma ebbe sviluppo limitato a causa delle difficoltà di calcolo di quel tempo.! L"idea guida è che una funzione PERIODICA del tempo si possa esprimere come una somma di termini trigonometrici (armoniche).! m ) "i% , yt = / ai sen+ 2!$ ' t + ( i . * # c& i =1 #c periodicità massima %2!i % c frequenza dell' armonica $a ampiezza dell' armonica %"i fase della armonica % i &m numero di armoniche considerate m è da scegliere! Scomposizione in serie di Fourier/2! Scomposizione in serie di Fourier/3! Ogni armonica è un"onda sinusoidale che completa il suo ciclo in “c/i” periodi.! Le alte frequenze esprimono variazioni di breve periodo (stagionalità, settimane, giorni).! L"ampiezza è lo scarto massimo (costante) di oscillazione rispetto all"asse! La fase è l"ascissa del primo punto di massimo.! Il periodo esprime la durata dell"oscillazione (curva tra due picchi)! Le basse frequenze componenti cicliche con cadenze sempre minori (man mano che si riduce la frequenza.! La frequenza (reciproco del periodo) si interpreta come il numero di oscillazioni nell"unità di tempo. ! ALTA FREQUENZA=MOLTE OSCILLAZIONI! Stagionalità e funzioni trigonometriche! Stagionalità e funzioni trigonometriche/2! La componente stagionale può essere espressa da una combinazione lineare di “armoniche”:! La durata più breve in cui si può parlare di “ciclo” è 2 (da un dato a quello successivo). Il massimo numero di armoniche stagionali è dato da! m St = ! ai sen( fi t + " i ) “i” è l’indice della armonica! i =1 Il coefficiente di stagionalità è St = coefficiente di stagionalità la somma delle armoniche.! s = stagionalità (mesi ! s = 12) 2"i fi = frequenza della armonica s # i = fase della armonica s = numero di periodi in cui si completa la stagionalità i m = numero massimo di armoniche in St Questo è una tecnica di stagionalità variabile dato che il coefficiente varia per l"anno e per il periodo! "s $ se s è pari m = # 2s ! 1 $ ; se s è dispari % 2 Infatti, in caso di “s” pari, la m-esima armonica completerebbe il suo ciclo ! in un numero di periodi uguale a:! s s = =2 m s 2 D"altra parte non è necessario usare tutte le armoniche dato che le prime! due o tre sono già in grado di esprimere complesse strutture ondulatorie.! Le ultime armoniche sono poco oscillatorie e quindi poco utili.! Stagionalità e funzioni trigonometriche/3! Esempio di armonica! Metodologia BV.4! Se il trend è una polinomiale in “t”, il modello con stagionalità armonica è:! a1 = 0; !1 = 0; a2 = "0.7; # 2 = 0.6944$ (125°) k m y t = " 0 + # " i t k + # ai sen( f i t + $ i ) + ut i=1 Stagionalità 1ª arm+2ª arm j=1 il modello non è lineare a causa della presenza dei parametri # come! argomento del seno. Tuttavia, tenuto conto che:! ! 1ª armonica sen( x + y ) = sen( x ) *cos( y ) + sen( y ) *cos( x ) La relazione può essere linearizzata:! k m y t = " 0 + # " i t + # a j [$ j1sen( f j t ) * cos(% j ) + $ j 2 cos( f j t ) * sen(% j )] + ut ! k 2ª armonica i=1 j=1 k m Gli angoli sono misurati in radianti! i=1 Ancora sulla BV.4! ! Dato che la stagionalità deve compensarsi nell"arco dell"anno si pone il m vincolo! #" sen( f t ) + " 1i i 2i cos( f i t ) = 0 $ i=1 m&1 &# ["1i sen ( f i t ) + "2i cos( f i t )] & "1m sen ( f m t ) % 2m = i=1 cos( f m t ) [ ] = " 0 + # " i t + # & j1sen( f j t ) + & j 2 cos( f j t ) + ut k j=1 Esempio! Scelta del trend e delle armoniche con la stepwise regression (si delega al computer la selezione del numero di armoniche da usare)! Che può essere soddisfatto ignorando l"armonica mesima o una delle sue componenti oppure togliendo l"intercetta dal trend-ciclo! 30 ! 25 Vendite mensile di auto nel Quebec-Canada! 20 15 10 5 0 "! % fi = i $ ' , i = 1,2,…, 6 # 6& Vendite mensile di auto nel! Quebec-Canada! Operatività! Operatività/2! I sottoperiodi si sovrappongono, almeno in parte.! È difficile che uno stesso modello rimanga valido per tutto l"arco temporale. Una validità per un periodo più ristretto sembra una strategia più realistica.! Ne consegue che per uno stesso periodo disponiamo di più stime! La serie storica è quindi divisa in più sottoperiodi di numerosità simile h, ma comunque superiore al numero di parametri da stimare ! Inizio h > (k+1+s)! h di solito è 4 o 3! Se h=19 ed n= 34 allora le finestre di stima sarebbero! i periodi indicati in colonna.! Per ciascun sottoperiodo si devono stimare i parametri! della cubica e delle armoniche. Per comodità i termini da usare si scelgono con la stepwise regression.! Invece di una media mobile abbiamo un modello mobile che potrebbe essere diverso da periodo a periodo.! Fine 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 Applicazione alle vendite auto! 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Periodi di riferimento delle stime 5 6 7 8 9 10 11 12 6 7 8 9 10 11 12 13 7 8 9 10 11 12 13 14 8 9 10 11 12 13 14 15 9 10 11 12 13 14 15 16 10 11 12 13 14 15 16 17 11 12 13 14 15 16 17 18 12 13 14 15 16 17 18 19 13 14 15 16 17 18 19 20 14 15 16 17 18 19 20 21 15 16 17 18 19 20 21 22 16 17 18 19 20 21 22 23 17 18 19 20 21 22 23 24 18 19 20 21 22 23 24 25 19 20 21 22 23 24 25 26 20 21 22 23 24 25 26 27 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 ) ( ' )& % 20 & ' ) % $ ( ( & % # ' $ # 15 ) ' % (& $ # ) & ' % ( $ # # $ ! " " ! ( )& ' % $ # ! " ) ) ) ' % & ( $ # " ! " ! " ! " ! ' & ( % # $ ! " 5 ) ( ' & % (& ' % $ # " ! ! 1960 " 1961 # 1962 $ 1963 % 1964 ' )& ( $ & & 1965 % " # ' ) ( $ % # ' 1966 ( 1967 ) 1968 ! $ " ! # " ! Dicembre Novembre Ottobre settembre Agosto Luglio Giugno Maggio Aprile Marzo Febbraio Gennaio 0 La stagionalità è presente ed in forma costante. C"è anche il trend.! 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 Ad esempio per il periodo 10 otteniamo il dato interpolato in 10 diverse situazioni (fino ad un massimo di 16). ! La sintesi dei valori stimati può farsi con la media, la mediana o altro.! Trend cubico. Finestra=31. Metodo: weighted stepwise regression ! 25 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 Applicazione alle vendite auto/2! 30 10 Inizio Fine 1 19 2 20 3 21 4 22 5 23 6 24 7 25 8 26 9 27 10 28 11 29 12 30 13 31 14 32 15 33 16 34 Cambio Euro/Dollaro Can.! http://uif.bancaditalia.it/UICFEWebroot/cambiSSMForm.jsp?lingua=it!
© Copyright 2024 Paperzz