Prognozowanie i analiza szeregów czasowych


Opis szkolenia: Kurs przeznaczony jest dla osób, które chcą poznać podstawowe i zaawansowane techniki prognozowania i analizy szeregów czasowych. Uczestnicy po zaznajomieniu się z podstawowymi pojęciami (proces stochastyczny, składniki szeregów czasowych) poznają szeroki zakres metod pozwalających formułować prognozy i oceniać ich jakość (estymacja trendu, analiza wahań sezonowych, wyrównywanie wykładnicze, funkcje autokorelacji i korelacji cząstkowej, modele ARIMA).

Wymagania: umiejętność obsługi komputera w środowisku Windows, podstawowa znajomość pakietu STATISTICA, zalecamy wcześniejsze odbycie kursu STATISTICA kurs podstawowy lub Statystyka dla niestatystyków.

Kontynuacją mogą być np. szkolenia:Prognozowanie w przedsiębiorstwie, Analizy wielowymiarowe, Metody statystyczne w marketingu i badaniach rynku, Praktyczne zastosowania technik regresyjnych w STATISTICA, Sieci neuronowe, Analiza danych korporacyjnych w systemie STATISTICA Enterprise, kursy z cyklu data mining, Prognozowanie w STATISTICA Data Miner.

Terminy szkoleń: 18.05.2017 - 19.05.2017; 19.10.2017 - 20.10.2017;

Program szkolenia

  1. Zmienne losowe. Podstawy wnioskowania statystycznego
  2. Procesy stochastyczne i szeregi czasowe
    • Definicja procesu stochastycznego
    • Szereg czasowy i jego prezentacja graficzna
    • Procesy z czasem ciągłym i dyskretnym
    • Parametry procesu stochastycznego: wartość przeciętna, wariancja i funkcja autokorelacji
    • Stacjonarność i ergodyczność procesu
  3. Klasyczna analiza szeregów czasowych, dekompozycja szeregu czasowego
    • Wskaźniki dynamiki
    • Estymacja trendu
      • Średnie ruchome
      • Dopasowywanie funkcji
    • Analiza wahań sezonowych
    • Metody eliminacji składników systematycznych
  4. Wyrównywanie wykładnicze
    • Proste wyrównywanie wykładnicze
    • Modele sezonowe i niesezonowe
  5. Metody regresyjne w modelowaniu i prognozowaniu szeregów czasowych
    • Modele ze zmiennymi zerojedynkowymi
    • Klasyczne modele autoregresji
    • Uwzględnianie informacji ze zmiennych dodatkowych
    • Trendy jednoimiennych okresów
    • Ocena modeli prognostycznych
  6. Modele typu ARIMA
    • Identyfikacja postaci modelu
    • Estymacja parametrów
    • Testowanie modelu
    • Ocena dobroci dopasowania i analiza reszt
    • Prognozowanie