Современные статистические пакеты, их характеристика и возможности применения в задачах прогнозирования

В настоящее время существует большое количество статистических пакетов, которые могут использоваться для прогнозирования в индустрии гостеприимства. Наиболее широко известны SPSS, STATGRAPHICS Plus, STATISTIC A, S-PIus, NCSS и др

SPSS 9.0.

окна: редактора данных и вывода результатов. В первом отражаются данные для анализа и некоторые результаты анализа. Оно представляет собой электронную таблицу (рис. 12).

Рис. 12. Окна редактора данных и редактора результатов пакета SPSS 9.0

Окно редактора результатов состоит из двух элементов: проводника в левой части и собственно окна вывода результатов анализа в правой (рис. 12). Такая организация програм­мы — одно из достоинств данного пакета. Во-первых, все проведенные процедуры сохраня­ются все время работы с программой, что способствует отличному серфингу по результатам; во-вторых, результаты анализа легко редактируются и переносятся в другие приложения.

Меню Analyze представляет собой набор статистических процедур и процедуры по­строения прогнозов (рис 13), которые охарактеризуем подробнее.

Наиболее часто применяются процедуры регрессии (рис. 14). Непосредственно получить прогноз по процедурам

регрессии позволяют две опции: «Линейная...» и «Подгон кривой...». В принципе, линейная продублирована в опции

IF '

да

00 подгона

'⁰° Модели кривых (рис. 15), можно і да

.......................................... указать все сразу В этом случае бу-

Рис. 13. Меню анализа пакета SPSS 9.0

наилучшей модели.

Единственное ограничение — ана­лизируемые данные должны быть

стабильными.

Рис. 15. Регрессионные модели пакета SPSS 9.0 Эта предпосылка редко встречается в экономике стран с переходной экономикой, г m I

Следующий набор проце­дур, позволяющий получать про­гнозы — «Time Series» — «Ана-

11583; ⅛∙SVWΛ∣

MrJ⅛b Response

Рис. 16. Меню Типе Series — анализ временных рядов л из временных рядов»

Он включает основные прогнозные модели. Прогноз может быть получен по моделям

экспоненциального сглаживания, авторегрессии и ARIMA (рис. 16).

Для экспоненциального сглаживания представлены (рис. 17) три

модели — простая, Хольта и Винтерса, а также пользовательская. По­следняя позволяет построить любую модель, выбирая тренд (нулевой, линейный, экспоненциальный или затихающий) и сезонность (нет, адди­тивная или мультипликативная).

Рис. 17 Модели сглаживания

Удобно реализована процедура подбора параметров моделей (рис. 18).

Рис. 18. Меню выбора параметров моделей сглаживания

Рис. 19. Окно указания горизонта прогноза

Можно использовать как жесткие значения, так и провести поиск оптимальных по

сетке. Получение прогноза (рис. 19) для всех процедур одинаково. Необходимо указать спо­

соб записи прогнозных значений и горизонт прогнозирования.

Рис. 20. Меню авторегрессионных моделей

Рис. 21. Меню ARIMA- моделей

Следующая опция, позволяющая получать прогнозы, — модель авторегрессии (рис 20). Недостатком модели (с точки зрения анализа одного ряда) выступает необходимость

указания зависимой и независимой переменных (хотя само понятие авторегрессии означает регрессию ряда на самого себя с неким лагом).

Последняя процедура, с помощью которой можно получить прогноз, — ARIMA- модели (рис. 21). Процедура построения модели сводится к указанию порядка авторегрессии, скользящего среднего и разностных операторов (простых и сезонных), а также включения в модель константы.

Series (рис. 23).

Среди них графики автокорреляци- ij

^⅝⅜t⅛⅛,.^ι _ι ^,∖ ' ‘ - ИТПИЛ.Й 3 5