• Non ci sono risultati.

Lezione 13, MOTORCYCLES 2000-2010 (cont.) Preparazione cartella:

N/A
N/A
Protected

Academic year: 2021

Condividi "Lezione 13, MOTORCYCLES 2000-2010 (cont.) Preparazione cartella:"

Copied!
2
0
0

Testo completo

(1)

Lezione 13, MOTORCYCLES 2000-2010 (cont.)

Preparazione cartella

: creare cartella Lezione 13 con file word o simile, file Lezione13.RData copiato dalla precedente. Controllare con list objects che c’è Mot. Creare M1 <- ts(Mot, frequency=12,

start=c(2000,1)). Verificare con plot(M1).

Previsioni.

Sunto di tre metodi (serve per il futuro come schema di comandi):

Holt-Winters.

HW<-HoltWinters(M1); pred<-predict(HW,24); ts.plot(M1, pred, lty=c(3,1))

Modello AR (tipo ols) ottimale.

ar.ols.best <- ar.ols(M1); pred <- predict(ar.ols.best, n.ahead=24) ; ts.plot(M1, pred$pred, lty=c(3,1))

Decomposione.

DEC <- stl(M1, 6); T <- DEC$ time.series[,2]; S <- DEC$ time.series[,1]; HW <-

HoltWinters(T,gamma=FALSE); p <- predict(HW, 24); S.star.1 <- S[(length(S)-11):length(S)]; S.star <- c(S.star.1, S.star.1); T.star <- p; P <- S.star+ T.star; P1 <- ts(P, frequency=12,start=c(2010,10)); ts.plot(M1, P1,

lty=c(3,1))

(2)

Sono tutte ragionevoli. Inoltre, potevamo variare il coefficiente di stl (provare con altri k). Come scegliere, come ragionare su questa varietà? i) Prenderla come tale, come scenari possibili, su cui ragionare; ii) variare un po’ di parametri (es. k di stl) e indicare le tendenze maggioritarie; iii)* capire quali dettagli di ciascun metodo sono responsabili delle differenze, e giudicarle di conseguenza; iv)* applicare la filosofia della cross-validation; il punto (iv) è anche utile per valutare l’incertezza della previsione; v)* raccogliere le varie previsioni in un’unica, corredata di incertezza. Ecc. ecc. (es. analizzare varianti di AR).

Cross-validation

. Prendiamo i dati solo fino al … (es. 2008, settembre, così da lasciare fuori due anni esatti di dati noti), applichiamo i comandi precedenti a questa serie ridotta, calcolando le previsioni, calcoliamo poi lo scarto quadratico medio (SQM) tra previsioni e dati veri del periodo Ott2008-Sett2010.

Vince il metodo con SQM minore. Valutare intuitivamente pregi e difetti di questa metodologia.

M.train <- window(M1, c(2000,1), c(2008,9)); M.test <- window(M1, c(2008,10))

HW.train<-HoltWinters(M.train); pred.train<-predict(HW.train,24); ts.plot(M1, pred.train, lty=c(3,1))

SQM.HW <- sd(M.test- pred.train); SQM.HW

12.99094

ar.ols.best.train <- ar.ols(M.train); pred.train <- predict(ar.ols.best.train, n.ahead=24) ; ts.plot(M1, pred.train$pred, lty=c(3,1))

SQM.AR <- sd(M.test- pred.train$pred); SQM.AR

13.42649

Riferimenti

Documenti correlati

Creare delle rubriche aiuta a “fidelizzare” i lettori e dà ordine al racconto e alla mole di informazioni... Organizzare presenza

Varese, 24 - 27 settembre 2015 Atahotel - Centro Congressi Ville Ponti. Sabato 26

Ragioniamo su un termine di paragone come il commercio pugliese, che ha più o eno gli stessi numeri di grandi e medie aziende a fronte di aziende che sono 20 volte

.782 persone in meno spiegabile col calo delle imprese, documenteremo nella sezione sui bilanci - nelle società di capitali il costo del personale è aumentato, non

Infine, la maggior parte delle imprese, i cui fatturati non superano i Questo dato è ovviamente quello delle società di capitali, tenute al deposito del

Windows 10 consente anche di fare uno screenshot e salvare direttamente l'immagine come file PNG senza passare per gli appunti: basta premere Windows+Stamp per salvare l'immagine

[r]

Con la ristrutturazione di Palazzo Vecchio Giorgio Vasari ci ha consegnato, sotto forma di programmi iconografici realistici e allegorici, le vedute generali di Firenze