Introduzione

Metodi esplicativi

Metodi estrapolativi

Metodi di previsione
Giovanni Righini
Universit degli Studi di Milano

Corso di Logistica

Introduzione

Metodi esplicativi

Metodi estrapolativi

I metodi di previsione
I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali a partire dai dati. Le previsioni possono avere diversi orizzonti temporali: breve termine (es.: numero di chiamate ad un call center nelle prossime settimane) medio termine (es.: previsioni di vendita per il piano nanziario annuale di unazienda) lungo termine (es.: domanda di automobili a idrogeno nei prossimi decenni)

Introduzione

Metodi esplicativi

Metodi estrapolativi

Testi di riferimento

C. Vercellis, Modelli e decisioni : strumenti e metodi per le decisioni aziendali, Pitagora Editrice, Bologna 1997 G. Ghiani, R. Musmanno, Modelli e metodi per lorganizzazione dei sistemi logistici, Pitagora Editrice, Bologna 2000 C. Vercellis, Business intelligence: modelli matematici e sistemi per le decisioni, McGraw-Hill, Milano 2006

Introduzione

Metodi esplicativi

Metodi estrapolativi

Classicazione
Esistono metodi qualitativi e quantitativi. Metodi qualitativi: Opinione di esperti Sondaggio di mercato Metodo Delphi Metodi qualitativi: Metodi esplicativi: si suppone esista un legame causa-effetto e lo si vuole rappresentare formalmente; Metodi estrapolativi: si vogliono desumere delle regolarit dalle osservazioni disponibili.

Introduzione Metodi di regressione

Metodi esplicativi

Metodi estrapolativi

Analisi di regressione
Lobiettivo di identicare un legame funzionale tra un effetto e le sue presunte cause. Si osserva una grandezza y (variabile dipendente) e si suppone sia funzione di altre grandezze x (variabili indipendenti). y = f (x ) Se la variabile indipendente una sola, si ha la regressione semplice. Conoscendo (da osservazioni precedenti) alcune coppie di valori (xi , yi ), si vuole trovare la funzione f () che meglio le spiega.

Introduzione Metodi di regressione

Metodi esplicativi

Metodi estrapolativi

Analisi di regressione
Invece di cercare una funzione, potenzialmente complicata, che spieghi esattamente le osservazioni, si preferisce cercare una funzione semplice che spieghi le osservazioni con una certa approssimazione. Si ammette quindi che i valori ottenuti dal calcolo di f (x i ) possano differire dai valori osservati yi . Se la funzione f () una retta, si ha la regressione lineare. y = A + Bx + La differenza tra valori calcolati e valori osservati il residuo ed una variabile casuale che deve soddisfare due requisiti: distribuzione normale con media nulla indipendenza tra
i

ed

per ogni i = j .

Introduzione Metodi di regressione

Metodi esplicativi

Metodi estrapolativi

Metodo dei minimi quadrati

Si assume come misura dellapprossimazione
N

Q=
i =1

(f (xi ) yi )2

che la funzione obiettivo che si vuole minimizzare. Le incognite, o variabili decisionali, sono i parametri della retta, cio A e B. Per trovare i loro valori ottimi, basta calcolare le derivate parziali di Q rispetto ad A e B e porle uguali a zero.

Introduzione Metodi di regressione

Metodi esplicativi

Metodi estrapolativi

Metodo dei minimi quadrati

6

3 data

0 -1 -1 time 0 1 2 3 4 5 6

Introduzione Metodi di regressione

Metodi esplicativi

Metodi estrapolativi

Metodo dei minimi quadrati

Indicando i valori medi con x= si ha: B= dove Sxx = Sxy = Syy =
N i =1 (xi N i =1 (xi N i =1 (yi N i =1 xi

ey =

N i =1 yi

Sxy e A = y Bx Sxx

x )2

x )(yi y ) y )2

Introduzione Metodi di regressione

Metodi esplicativi

Metodi estrapolativi

Passaggio per lorigine

Se si vuole imporre che la retta di predizione y = A + Bx passi per lorigine, si pone A = 0 e si stima solo B=
N i =1 xi yi N 2 i =1 xi

Introduzione Metodi di regressione

Metodi esplicativi

Metodi estrapolativi

Valutazione del modello

A posteriori importante valutare lafdabilit del modello usato. Pendenza della retta: Il modello si ritiene non-signicativo se un dato intervallo di condenza per B contiene il valore 0. Coefciente di correlazione lineare (indice di Pearson): S r = xy .
Sxx Syy

Si ha sempre 1 r 1. Se r > 0 la retta sale, se r < 0 la retta scende. Se |r | 1, la correlazione lineare forte; se |r | 0, debole.

Stimatore della varianza: s 2 =

N 2 i =1 (f (xi )yi )

N 2

1 N 2 (Syy

BSxy ).

Introduzione

Metodi esplicativi

Metodi estrapolativi

Serie storiche

Una serie storica una sequenza di valori y t assunti da una grandezza di interesse in corrispondenza di istanti temporali t . Se essi deniscono un insieme discreto la serie storica viene detta a tempo discreto. Considereremo serie storiche a tempo discreto con istanti t uniformemente distanziati nel tempo (anni, settimane, giorni,...).

Introduzione

Metodi esplicativi

Metodi estrapolativi

Classicazione
I metodi estrapolativi si possono applicare alla previsione di un solo periodo o di pi periodi in avanti. Metodi di scomposizione delle serie storiche Metodi di smoothing esponenziale:
Metodo di Brown Metodo di Holt Metodo di Winters

Modelli autoregressivi:
Modelli Modelli Modelli Modelli autoregressivi (AR) a media mobile (MA) autoregressivi a media mobile (ARMA) autoregressivi a media mobile integrata (ARIMA)

Introduzione Scomposizione di serie temporali

Metodi esplicativi

Metodi estrapolativi

Modelli di serie temporali

Si fa lipotesi che i valori osservati y t nella serie temporale siano il risultato della combinazione di componenti di natura diversa. Andamento tendenziale di lungo periodo m t Andamento dovuto ai cicli economici v t Andamento stagionale st (noto il periodo L) Residuo casuale, imprevedibile rt . Relativamente al modo in cui le componenti si combinano si distinguono modelli additivi e moltiplicativi. Modelli additivi: yt = mt + vt + st + rt Nel seguito considereremo un modello moltiplicativo. Modelli moltiplicativi: yt = mt vt st rt

Introduzione Scomposizione di serie temporali

Metodi esplicativi

Metodi estrapolativi

Media mobile

Conoscendo il periodo L della componente stagionale, la si pu rimuovere calcolando la media su tutti i periodi di lunghezza L.

L dispari: (mv )t = L pari: (mv )t =

t + L1 2 i =t L1 2

yi

1 y + 2 t L 2

t + L 1 2 yi + 1 y 2 t+ L i =t L +1 2 2

Per separare la componente tendenziale m dalla componente v , si ipotizza che la prima sia lineare e la si ricava con la regressione lineare semplice, dove il tempo la variabile indipendente.

Introduzione Scomposizione di serie temporali

Metodi esplicativi

Metodi estrapolativi

Indici di stagionalit
La componente stagionale e aleatoria si ricava da (sr ) t = Gli indici di stagionalit s 1 , . . . , s L si ottengono come st =
k (sr )t +kL yt (mv )t

Nt

dove gli estremi della sommatoria sono tali da coprire tutti i (sr ) calcolati in precedenza ed Nt indica il numero degli addendi. Gli indici cos ricavati vengono poi normalizzati: st = Lst
L t =1

st

t = 1, . . . , L.

Si ha quindi st +kL = st per ogni t e per ogni k intero.

Introduzione Scomposizione di serie temporali

Metodi esplicativi

Metodi estrapolativi

Esempio: componente tendenziale

Componente tendenziale
1200,0 1000,0 800,0 600,0 400,0 200,0 0,0 1 21 41 61 81 101 121 141

Periodi

Introduzione Scomposizione di serie temporali

Metodi esplicativi

Metodi estrapolativi

Esempio: componente stagionale

Com ponente stagionale 1,2 1,1 1,0 0,9 0,8 0,7 0,6 7 27 47 67 87 Periodi 107 127 147

Introduzione Scomposizione di serie temporali

Metodi esplicativi

Metodi estrapolativi

Previsione
La previsione fatta combinando le componenti tendenziale m e stagionale s .
Predizione
1100,0 1000,0 900,0 800,0 700,0 600,0 500,0 400,0 7 27 47 67 87 107 127 147 167 Serie storica Predizione

Periodi

Introduzione Metodi di smoothing esponenziale

Metodi esplicativi

Metodi estrapolativi

Introduzione
Sono metodi per la predizione di serie storiche semplici, versatili e accurati. Ne esistono diversi, che tengono o meno conto dellesistenza di componenti tendenziali e stagionali nella serie storica in esame. Lidea di base quella di pesare maggiormente le osservazioni pi recenti rispetto a quelle pi remote nel passato. Questo rende i metodi di smoothing capaci di adeguarsi rapidamente a variazioni improvvise nel valore della serie storica a causa di eventi che modicano la regolarit del fenomeno osservato (guasti tecnici, offerte speciali, fallimento di aziende concorrenti, crisi nanziarie...).

Introduzione Metodi di smoothing esponenziale

Metodi esplicativi

Metodi estrapolativi

Metodo di Brown
il metodo di smoothing esponenziale semplice. Media smorzata: st = yt + (1 )st 1 t 2 s1 = y 1 Predizione: ft +1 = st con 0 1. Per prossimo a 0 il modello pi inerte; per prossimo a 1 pi reattivo. Il valore ottimo di si ottiene minimizzando lo scarto quadratico medio.

Introduzione Metodi di smoothing esponenziale

Metodi esplicativi

Metodi estrapolativi

Metodo di Holt

il metodo di smoothing esponenziale con correzione di tendenza. Media smorzata: st = yt + (1 )(st 1 + mt 1 ) t 2 s1 = y 1 mt = (st st 1 ) + (1 )mt 1 t 2 m1 = y 2 y 1

Predizione: ft +1 = st + mt . con 0 1, ottimizzato minimizzando lo scarto quadratico medio.

Introduzione Metodi di smoothing esponenziale

Metodi esplicativi

Metodi estrapolativi

Metodo di Winters
il metodo di smoothing esponenziale con correzione di tendenza e di stagionalit (di periodo L noto). Media smorzata:
t st = qty + (1 )(st 1 + mt 1 ) t 2 L

mt = (st st 1 ) + (1 )mt 1 t 2
t qt = y st + (1 )qt L t L + 1

s1 = y 1 qt =

m1 = y 2 y 1

con 0 1, ottimizzato minimizzando lo scarto quadratico medio. La predizione ft +1 = (st + mt )qt L+1 .

yt L =1 y /L

t = 1, . . . , L

Introduzione Metodi di smoothing esponenziale

Metodi esplicativi

Metodi estrapolativi

Eliminazione tendenza e stagionalit

Per rimuovere da una serie storica la componente di tendenza o di stagionalit: calcolare la media mobile per rimuovere la tendenza differenziazioni successive Bt (h) = yt yt h per rimuovere la tendenza identicare la tendenza con lanalisi di regressione identicare la componente di stagionalit tramite scomposizione della serie Quindi possibile: applicare il modello di Winters alla serie storica; applicare il modello di Holt alla serie storica destagionalizzata; applicare il modello di Brown alla serie storica dopo aver rimosso tendenza e stagionalit.