/Td>
1510
1172
1038
лютого
2123
1773
1484
1226
1104
Березня
2624
2361
1988
1651
1439
квітня
2891
2649
2211
1859
1521
травня
3335
3203
2559
2392
1827
червня
4071
3936
3209
2864
2446
липня
4040
3861
3204
2714
2369
серпня
3392
3321
2687
2420
2081
вересня
2467
2438
2031
1925
1577
жовтня
2092
1760
1506
1338
1081
листопада
1494
1299
1050
984
Грудень
1562
1345
1054
1020
Заповнимо діалогове вікно, зображене на малюнку 1.4, таким чином:
Variable : 1992-96
Seasonal Length : 12
Model Type : мультиплікативна модель (для вибору типу моделі можна використовувати малюнок 1.3. З графіка аналізує часовий ряд на наявність тренда (Малюнок 1.5) видно, що величина сезонних коливань пропорційна середньому рівню виробництва. Тому для опису сезонних коливань слід використовувати мультипликативную модель).
Model Components Trend plus seasonal (тренд і сезонна складова)
Initial seasonal period: 1 (дані починаються з січня)
Generate forecasts:
Number of forecasts : 6
В результаті виконання цієї операції на екрані з'являться наступні графіки і розрахунки. У вікні Session з'являться результати обчислення сезонних індексів і значення прогнозних показників на півроку вперед, а також рівняння тренда і його точність:
Time Series Decomposition (Декомпозиція тимчасового ряду)
Data 1992-96 (Назва аналізованих даних)
Length 58.0000 (Довжина тимчасового ряду)
NMissing 0 (Кількість помилок в даних)
Trend Line Equation (Рівняння тренду)
Yt = 2841.10 - 23.6304 * t
Seasonal Indices (Сезонні індекси)
Period
Index
1
0.654509
2
0.678928
3
0.909029
4
1.02617
5
1.27273
6
1.58137
7
1.54385
8
1.35862
