Opis kursu: 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. kursy: 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: 26-27.01.2012, 19-20.04.2012

Program kursu

• Zmienne losowe. Podstawy wnioskowania statystycznego
• 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
• Klasyczna analiza szeregów czasowych, dekompozycja szeregu czasowego
  • Wskaźniki dynamiki
  • Estymacja trendu
    • Średnie ruchome
    • Dopasowywanie funkcji
  • Analiza wahań sezonowych
  • Metody eliminacji składników systematycznych
• Wyrównywanie wykładnicze
  • Proste wyrównywanie wykładnicze
  • Modele sezonowe i niesezonowe
• 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
• Modele typu ARIMA
  • Identyfikacja postaci modelu
  • Estymacja parametrów
  • Testowanie modelu
  • Ocena dobroci dopasowania i analiza reszt
  • Prognozowanie