Prognozowanie szeregów czasowych

Szeregi czasowe to dane zbierane w pewnych odstępach czasu, jak np. ceny akcji, temperatura, zysk firmy, liczba wystawionych mandatów. Naturalnym zadaniem stawianym przed osobami analizującymi tego typu dane jest zaprognozowanie ich przyszłych wartości na podstawie wartości "historycznych". Zadanie to nie jest łatwe, wymaga ono bowiem uwzględnienia wielu czynników takich jak występowanie trendów, sezonowości, czy autokorelacji (wpływu jednej lub wielu wartości "historycznych" na wartość "obecną"). W literaturze znaleźć można całe "mrowie" metod prognozowania szeregów czasowych. Uczestnicy niniejszego szkolenia poznają najpopularniejsze z nich. Nauczą się też decydować, która z metod jest najbardziej odpowiednia w danej sytuacji.

Długość szkolenia

2 dni

Wymagania wstępne

Uczestnicy powinni znać podstawowe pojęcia statystyki takie jak: średnia, odchylenie standardowe, przedział ufności, korelacja. Jeśli ich nie znają, zapraszam do zapoznania się ze szkoleniem Podstawy statystyki i analizy danych. Mile widziana (lecz nieobowiązkowa) jest znajomość regresji liniowej.

Umiejętności nabywane przez uczestników

Uczestnik szkolenia nabędzie trzy podstawowe umiejętności:

  • umiejętność wyboru odpowiedniego modelu,
  • umiejętność wyliczenia prognoz,
  • umiejętność oszacowania dokładności prognozy.

Program szkolenia
  1. Wprowadzenie do R
    • Wpisywanie poleceń
    • Odczyt i zapis plików z danymi
  2. Podstawowe pojęcia
    • Szereg czasowy, stacjonarność, autokorelacja
    • Prognoza, błąd prognozy
  3. Wizualizacja szeregów czasowych
  4. Najprostsze metody prognozowania, miary dokładności prognoz
    • Metoda naiwna, metoda średniej, metoda dryfu
    • Błąd średni, błąd absolutny, błąd średniokwadratowy
  5. Sezonowość, cykliczność, trend
    • Rodzaje trendów
    • Sezonowość i cykliczność – różnice i podobieństwa
  6. Wygładzanie wykładnicze, modele ETS
    • Proste wygładzanie wykładnicze – model Browna
    • Wygładzanie wykładnicze z trendem – model Holta
    • Wygładzanie wykładnicze z sezonowością – model Holta-Wintersa
    • Notacja ETS – 30 modeli wygładzania wykładniczego
    • Metody wyboru modelu
    • Automatyczny wybór najlepszego modelu ETS w programie R
  7. Modele ARIMA
    • Modele autoregresyjne – AR, modele średniej kroczącej - MA
    • Różnicowanie
    • Modele ARIMA
    • Metody wyboru modelu
    • Automatyczny wybór najlepszego modelu ARIMA w programie R
  8. Modele ARIMA z komponentem sezonowym (SARIMA)
    • Sezonowe modele AR, MA
    • Różnicowanie sezonowe
    • Automatyczny wybór najlepszego modelu SARIMA w programie R
  9. Transformacje danych
    • Logarytmowanie i pierwiastkowanie
    • Przekształcenie Boxa-Coxa

Kontakt

Łukasz Deryło
Telefon: 665 254 036
E-mail: lukasz.derylo@gmail.com

Referencje

referencje analizy statystyczne

Opinie klientów i współpracowników o wykonanych przeze mnie analizach i przeprowadzonych szkoleniach.

Cennik szkoleń

szkolenia statystyka cennik

Szczegółowy cennik szkoleń.

Copyright © 2014 Łukasz Deryło - Green Age by Templates