WisFaq!

De digitale vraagbaak voor het wiskundeonderwijs

HOME

samengevat

\require{AMSmath}

Kleinste Kwadraten Methode om te voorspellen (trends herkennen)

Beste wisfaq,

Ik zit met een probleem. Wij moeten een opdracht maken een voorraadbeheersprogramma. Wij willen vooruit kunnen voorspellen, zodat ons programma goed kan anticiperen op de aankoop van producten zodat wij een minimale voorraad kunnen aanhouden.

Echter zitten wij een beetje in de knoop met de KKM (Kleinste Kwadraten Methode).
Hij lukt aardig, en doet weinig fout zo lang er maar geen trends in voorkomen.

Hoe kunnen wij trends herkennen middels de KKM?

Nog een andere vraag. Wij berekenen de betrouwbaarheid van de voorspelling. Alleen is dit nog niet correct, want als we 7 dagen vooruit voorspellen valt dat binnen 95% en als wij 100 dagen vooruit voorspellen valt dat ook binnen 95% terwijl dat in het echt helemaal niet zo is. Is daar een verklaring voor, of weet u misschien wat wij fout doen?

Om de hele methode hier te typen gaat misschien wat ver (java-code).

Kunt u ons helpen (hint geven / in de goede richting sturen).

Dank u vriendelijk
Percy
Student universiteit - vrijdag 30 juli 2004

Antwoord

Een trend kan op vele manieren voorkomen.

Als je veronderstelt dat de trend autonoom is, d.w.z. dat de trend niet afhankelijk is van de andere variabelen, kun je overwegen om in de verklarende variabelen een tijd-variabele op te nemen. Als de geschatte coëfficiënt significant is, is deze trend aanwezig en wordt zij tegelijkertijd geëlimineerd. Let op: deze trend hoeft niet lineair te zijn, maar kan kwadratisch of zelfs van ogere orde zijn. Dit test je door de tijdvariabele tevens in hogere machten op te nemen.

Als er echter sprake is van een endogene trend, zodat de omvang van de vraag afhangt van de omvang van de vraag op vroegere tijdstippen, bijv. exponentiële groei van de vraag, dan behoeft je gehele model een andere specificatie. In het algemeen is een enkele of dubbele logaritmische transformatie dan afdoende.

Raadpleeg hierover een goed boek op het gebied van KKM, bijvoorbeeld Econometric Analysis van William H. Greene. Zie ook de onderstaande link.

Wat betreft je tweede vraag over voorspellen: je voorspelt altijd uitgaande van een bepaald significantieniveau. De 95%-betrouwbaarheid leg je dus op VOORdat je de voorspelling doet. Dat de werkelijkheid niet met je voorspelling overeenkomt betekent ofwel dat je modelspecificatie niet adequaat is ofwel dat je een voorspelling doet die buiten het bereik van je modelspecificatie ligt. In jouw geval lijkt het tweede van toepassing: immers je voorspelling komt overeen met de werkelijkheid op korte termijn (7 dagen). Dat je voorspelling op de lange termijn niet uitkomt kan te maken hebben met het trend-probleem (zie boven). Veel waarschijnlijker is echter dat je model gespecificeerd is op het korte verleden (enkele dagen). Je kunt je voorstellen dat een modelspecificatie op basis van bijv. 3 dagen (vandaag, gisteren en eergisteren) geen betrouwbare voorspelling kan geven voor de situatie over 4 maanden (100 dagen), immers iedere keer dat je het model toepast neem je de fout (de restterm) mee en vergroot je deze uit.

Ik wens je veel succes!
Zie Trend

KLY

Vragen naar aanleiding van dit antwoord? Klik rechts..!
maandag 2 augustus 2004