Multiplikative Anpassung: Betrachten Sie den Schaubild des gesamten Einzelhandelsumsatzes von Automobilen von Januar 1970 bis Mai 1998 in Milliarden-Dollar-Einheiten, wie damals vom US-Büro für Wirtschaftsanalyse berichtet: Ein Großteil der Tendenz ist lediglich auf die Inflation zurückzuführen. Die Werte können deflationiert, d. h. in Einheiten von konstanten statt nominalen Dollar umgewandelt werden, indem sie durch einen geeigneten Preisindex dividiert werden, der auf einen Wert von 1,0 in jedem beliebigen Jahr als Basisjahr skaliert ist. Hier ist das Ergebnis der Division durch den US-Verbraucherpreisindex (CPI) auf 1,0 im Jahr 1990 skaliert, der die Einheiten in Milliarden von 1990 Dollar umwandelt: (Die Daten können in dieser Excel-Datei gefunden werden, und es wird auch detailliert analysiert Die Seiten zu saisonalen ARIMA-Modellen auf dieser Seite.) Es gibt noch einen allgemeinen Aufwärtstrend, und die zunehmende Ausprägung von saisonalen Schwankungen suggeriert ein multiplikatives saisonales Muster: Der saisonale Effekt drückt sich in Prozent aus, also die absolute Größe der Saison Wenn die Serie im Laufe der Zeit wächst. Ein solches Muster kann durch eine multiplikative saisonale Anpassung entfernt werden. Was erreicht wird, indem jeder Wert der Zeitreihe durch einen saisonalen Index (eine Zahl in der Nähe von 1,0) dividiert wird, der den Prozentsatz des Normalwerts darstellt, der typischerweise in dieser Saison beobachtet wird. Zum Beispiel, wenn Dezembers Verkäufe sind in der Regel 130 des normalen monatlichen Wert (basierend auf historischen Daten), dann jeder Decembers Umsatz saisonbereinigt werden durch die Division durch 1,3. Ebenso, wenn Januar-Verkäufe sind in der Regel nur 90 von normal, dann jeder Januar-Verkauf würde saisonbereinigt durch Division durch 0,9 werden. Demzufolge würde der Dezembers-Wert nach unten angepasst werden, während die Jänner nach oben angepasst werden würden, was den erwarteten saisonalen Effekt korrigiert. Abhängig davon, wie sie aus den Daten geschätzt wurden, könnten die Saisonindizes von einem Jahr zum nächsten gleich bleiben, oder sie können sich mit der Zeit langsam ändern. Die saisonalen Indizes, die durch das saisonale Zersetzungsverfahren in Statgraphics berechnet werden, sind über die Zeit konstant und werden über die sogenannte quotratio-zu-gleitende Durchschnittsmethode berechnet. (Für eine Erläuterung dieser Methode siehe die Diagramme der Prognose mit Saisonbereinigung und Die Hinweise zur Tabellenkalkulation saisonale Anpassung.) Hier sind die multiplikativen saisonalen Indizes für Auto-Verkäufe, wie durch das saisonale Zersetzungsverfahren in Statgraphics berechnet: Schließlich ist hier die saisonbereinigte Version der deflationierten Auto-Verkäufe, die durch die Division von jedem Monat-Wert erhalten wird Seinen geschätzten saisonalen Index: Beachten Sie, dass das ausgeprägte saisonale Muster weg ist und was bleibt, sind der Trend und die zyklischen Komponenten der Daten, plus zufälliges Rauschen. Additive Anpassung: Als Alternative zur multiplikativen saisonalen Anpassung ist es auch möglich, additive saisonale Anpassung durchzuführen. Eine Zeitreihe, deren saisonale Schwankungen im Großen und Ganzen unabhängig von dem aktuellen Durchschnittsniveau der Serie ungefähr konstant sind, wäre ein Kandidat für additive saisonale Anpassung. In der additiven saisonalen Anpassung wird jeder Wert einer Zeitreihe durch Addieren oder Subtrahieren einer Menge, die den Absolutbetrag darstellt, um den der Wert in jener Jahreszeit tendenziell unter oder über dem Normalwert liegt, wie aus vergangenen Daten geschätzt, eingestellt. Additive saisonale Muster sind in der Natur etwas selten, aber eine Reihe, die ein natürliches multiplikatives saisonales Muster hat, wird zu einem mit einem additiven saisonalen Muster konvertiert, indem eine logarithmische Transformation auf die ursprünglichen Daten angewendet wird. Deshalb, wenn Sie saisonale Anpassung in Verbindung mit einer Logarithmus-Transformation verwenden, sollten Sie eher additive als multiplikative saisonale Anpassung verwenden. Akronyme: Bei der Betrachtung der Beschreibungen von Zeitreihen in Datadisk und anderen Quellen wird die Abkürzung SA (Akronym SA) verwendet Steht für saisonbereinigt, während NSA steht für nicht saisonbereinigt. Eine saisonbereinigte jährliche Rate (SAAR) ist eine Zeitreihe, in der jeder Periodenwert für die Saisonalität angepasst wurde und dann mit der Anzahl der Perioden in einem Jahr multipliziert wurde, als ob der gleiche Wert in jedem Zeitraum für ein ganzes Jahr erhalten worden war. (Zurück zum Seitenanfang) Echtzeit-Prognose des Regionaltourismus mit Business-Stimmungsumfragen Andrea Guizzardi a, b ,. Annalisa Stacchini a, ba Universität Bologna, Abteilung für Statistische Wissenschaften, Paolo Fortunati, Bologna, BO, Italien b Universität Bologna, Zentrum für Fortgeschrittene Studien im Tourismus, Rimini, RN, Italien Empfangen am 7. März 2014. Akzeptiert am 30. September 2014. Verfügbar Online 23. Oktober 2014. Highlights Zu den Business-Stimmungsindikatoren gehören Nave - und STS-Modelle. Wir bewerten die Prognosegenauigkeit mit deskriptiven und inferentiellen Methoden. Business-Stimmung Indikatoren verbessern die Güte der Passform und Prognose Genauigkeit. Die Ausweitung der Geschäftsstimmungsumfrage auf den Tourismus verspricht einen hohen informativen Gewinn. Diese Studie liefert den Nachweis, dass zielsichere Soft-Informa - tionen, die aus Unternehmensumfragen gewonnen wurden, bei der Echtzeitprognose von Hotelankünften auf regionaler Ebene wirksam sind. Wir beurteilen die Auswirkung der Einbeziehung von Business-Stimmungsindikatoren in häufig verwendete Navespezifikationen und strukturelle Zeitreihenmodelle mit Residuen und prädiktiven Diagnosen. Wir sehen, dass sowohl die Anpassungsfähigkeit als auch die Prognosegenauigkeit der Augmented-Modelle denen der Baseline-Modelle überlegen sind. Woher die Gelegenheit gekommen ist, die Erhebungen über die Ge - schäftsstimmung, die derzeit von den provinziellen Handelskammern für das verarbeitende Gewerbe verwirklicht wurden, auf den Tourismussektor auszuweiten, was eine effektive und zeitnahe Verwaltung des lokalen Tourismusmarktes ermöglicht, wo offizielle Informationen vermutlich fehlen oder arm sind In der Qualität. Regionale Unterkunftsproduktion Business-Stimmungsindikatoren Führungskräfteinformationsbedarf Staatliche Raummodelle Prognosebericht Tabelle 2. Abb. 1. Andrea Guizzardi ist außerordentlicher Professor an der Abteilung für Statistik Paolo Fortunati und am Centre for Advanced Studies in Tourism (CAST) der Universität Bologna (IT). Er führt ein kontinuierliches Lernprogramm in Business Travel Management, an der gleichen Universität. Seine Forschungsschwerpunkte liegen in den Bereichen Hotelleistungen, Bestimmungsmanagement in kleinen Gebieten und (Wirtschaft) Tourismusbedarfsanalyse und - prognose. Seit 1999 ist er Projektleiter und Hauptforscher vieler Projekte zur Messung der touristischen Nachfrage, die sowohl von politischen Entscheidungsträgern als auch von privaten Tourismusunternehmen (Hotels und Reisemanagementgesellschaften) gegründet wurden. Annalisa Stacchini ist Master in Wirtschaftswissenschaften und Philosophie. Sie ist derzeit Doktorandin am Statistischen Institut für Statistik Paolo Fortunati und kooperiert mit dem Centre for Advanced Studies in Tourism (CAST) der Universität Bologna (IT). Ihre Forschungsschwerpunkte liegen in der Modellierung und Prognose von Tourismusströmen, der Analyse des Wettbewerbsszenarios der touristischen Destination, Fragen des Marktes von Flugtickets. Entsprechender Autor. Universität Bologna, Institut für Statistische Wissenschaften, Paolo Fortunati, Bologna, BO, Italien. Copyright 2014 Elsevier Ltd. Alle Rechte vorbehalten. Zitieren von Artikeln () Empfohlene Artikel In Verbindung stehender Buchinhalt Copyright 2017 Elsevier B. V. mit Ausnahme bestimmter Inhalte, die von Dritten bereitgestellt werden. ScienceDirect ist ein eingetragenes Warenzeichen von Elsevier B. V. Cookies werden von dieser Website verwendet. Weitere Informationen finden Sie auf unserer Cookies-Seite. Melden Sie sich über Ihre Institution an
No comments:
Post a Comment