Строим прогноз на базе полученного уравнения– на графике (рис. 2.3) ясно видны сезонные колебания. Определяем средние значения (среднюю арифметическую месячную за каждый год) и среднюю арифметическую месячную за все годы.
Вычисляем индекс сезонности за каждый месяц как частное от деления средней арифметической месячной за каждый год на среднюю арифметическую месячную за все годы (табл. 2.1). Мультипликативная модель сезонности используется для обработки рядов данных, у которых размах сезонных колебаний примерно пропорционален величине тренда, что мы наблюдаем в данном случае.
Для сезонной корректировки данного ряда можно применять методы, основанные на использовании индексов сезонности, поскольку они хорошо описываются мультипликативной моделью с неизменной сезонной волной (табл. 1 приложения).
Рис. 2.4. Модель производства масла животного (тыс.тонн)
Коэффициент детерминации (r) – характеризует долю дисперсии результативного признака y, объясняемую дисперсией, в общей дисперсии результативного признака. Чем ближе r к 1, тем качественнее модель, то есть исходная модель хорошо аппроксимирует исходные данные.
Коэффициент детерминации модели 0,94, что означает построенная модель объясняет 94% вариации показателя. Прогноз на 2015 год ас учетом сезонности на рис. 2.5.
Рис. 2.5. Прогноз производства масла животного (тыс.тонн) на конец 2014 и 2015 годы с учетом сезонности
2.2 Прогноз объема продаж услуг компании МТС
Для прогноза объема продаж компании ОАО «МТС» используем регрессионную модель зависимости выручки компании от ряда операционных показателей. Исходя из анализа финансового состояния компании, мнений экспертов и собственных представлений о взаимосвязи показателей построим таблицу исходных данных (табл. 2.2).
