aurelijus lapė vilnius, 2007
DESCRIPTION
STATISTINIŲ MODELIŲ GLOBALAUS ATŠILIMO DUOMENIMS PARINKIMAS, JŲ TYRIMAI SIEKIANT MINIMIZUOTI PROGNOZĖS PAKLAIDAS. Aurelijus Lapė Vilnius, 2007. Tyrimo objektas:. 1900-2005 m. globalinių temperatūrų anomalijų duomen y s. Tikslas:. - PowerPoint PPT PresentationTRANSCRIPT
Aurelijus LapėVilnius, 2007
STATISTINIŲ MODELIŲ GLOBALAUS ATŠILIMO DUOMENIMS PARINKIMAS, JŲ
TYRIMAI SIEKIANT MINIMIZUOTI PROGNOZĖS PAKLAIDAS
Tyrimo objektas:
• 1900-2005 m. globalinių temperatūrų anomalijų duomenys
Tikslas:• Ištirti duomenis ir jiems parinkti tokį statistinį ARMA modelį, kurio prognozė būtų tiksliausia
Priemonės:• ITSM programinis paketas
Vienmačių duomenų tyrimas
Pradinių šiaurės pusrutulio temperatūrų duomenų grafikas
Modelio ir jo eilės parinkimasTransformuotų šiaurės pusrutulio duomenų autokoreliacinių f-jų (ACF/PACF) grafikai
Parinkti modeliai: AR(3) ir MA(3)
Parametrų vertinimas
Parametrų vertinimo metodai:
•Autoregresijos (AR) – Yule-Walker ir Burg
•Slenkamojo vidurkio (MA) – Hannan-Rissanen ir inovacijų
Parinkti modeliai ir jų parametrų įverčiai:
AR(3): X(t) = - 0,5369 Xt-1 – 0,3749 Xt-2 – 0,4341 Xt-3+ Z(t)
MA(3): X(t) = Zt – 0,6311 Zt-1 – 0,07865 Zt-2 – 0,04649 Zt-3
Liekanų tyrimas:
2 21 1
ˆ ˆ ˆ( ) / , kur / ( )t t t t t t tW X X r r E X X Liekanų reikšmių skaičiavimas:
Modelio AR(3) liekanų ACF/PACF grafikai
Geriausio modelio parinkimas
Parenkamas min AICC kriterijaus reikšmę turintis modelis
AICC kriterijus skaičiuojamas: 1( , ) 2 2
2p qAICC p q L n
n p q
, kur
2ˆ ˆln2 2n nL
Kriterijus Duomenų tipas Modelis Reikšmė
AICC
Pradiniai AR(4) -61,136585
TransformuotiAR(3) -64,099567
AR(4) -64,588636
AICC kriterijaus reikšmių palyginimas:
Geriausio modelio (AR(4)) prognozėAR(4) 6-erių metų prognozės grafikas
00,10,20,30,40,50,60,70,80,9
1
2000 2001 2002 2003 2004 2005
Stebėjimo data
Temperatūra, C Prognozė Tikroji reikšmė
Prognozės rezultatų palyginimas su realiais stebėjimais
Daugiamačių duomenų tyrimasPagal transformuotų duomenų kryžminių koreliacijų
grafikus nustatoma, ar duomenys tarpusavyje priklausomi
-0,185585 0,132526 -0,0430710,019834 -0,126430 -0,1392240,009866 0,302544 -0,176406
-0,346916 0,079416 -0,0840100,241285 -0,152445 -0,181818-0,075607 0,214670 -0,560861
-0,119281 0,057903 -0,0118490,471916 -0,651698 -0,1152050,287096 0,241441 -0,504316
-0,395112 0,103032 -0,035699-0,042331 -0,284663 -0,1147500,553340 0,216102 -0,722563
-0,174206*10-17
-0,249012*10-17
-0,146327*10-16
ReikšmėsKoeficientas
Modelio parinkimas• Pasitelkus ITSM programos paketo ARVEC modulį, Yule-Walker metodu randamas mažiausią AICC kriterijų turintis VAR(4) statistinis modelis
0
1
2
3
4
VAR(4) modelio koeficientai
Prognozė
0
0.1
0.2
0.3
0.4
2000 2001 2002 2003 2004 2005
Stebėjimo data
Temperatūra, C
Prognozė Tikroji reikšmė
0
0.2
0.4
0.6
2000 2001 2002 2003 2004 2005
Stebėjimo data
Temperatūra, CPrognozė Tikroji reikšmė
Pietinės pasaulio dalies temperatūrų prognozės ir stebėjimų grafikai
Pusiaujo temperatūrų prognozės ir stebėjimų grafikai
Prognozė
00.20.40.60.8
1
2000 2001 2002 2003 2004 2005
Stebėjimo data
Temperatūra, C
Prognozė Tikroji reikšmė
Šiaurinės pasaulio dalies temperatūrų prognozės ir stebėjimų grafikai
Išvados
• Pradinių duomenų 1900-2005 m.– globalinio atšilimo metinių temperatūrų laiko eilutės – nestacionarios sekos, jos transformuotos.
• Sukurti ARMA modeliai pradinėms ir transformuotoms 1900-1999 sekoms. Jų reikšmės, prognozuotos iki 2005 m., lygintos su stebėtomis.
• Nagrinėjant Šiaurės, Pietų ir pusiaujo duomenis pasitvirtino hipotezė, kad sekos yra koreliuotos.
• Palyginus vienmačių ir daugiamačių duomenų modelių prognozių paklaidas, daugiamatės autoregresijos modeliu VAR(4) atliktos prognozės rezultatai buvo tiksliausi.