С. К. Ахметкалиева А. Ш. Оразымбетова
жүктеу/скачать 2,12 Mb. Pdf көрінісі
|
| Регрессиялық талдау
Регрессияны екі немесе бірнеше айнымалы арасындағы функционалдық тәуелділік ретінде анықтауға болады. Бұл тәуелділік басқа мән негізінде бір айнымалының мәнін болжау үшін қолданылады. Қажеттіліктерді болжау мақсатында әдетте сату көлемінің (тұтыну көлемінің) уақыт тәуелділігін зерттейді. Сызықтық регрессия теңдеуі келесідей анықталады: Y = a + bХ, мұнда Y-тәуелді айнымалы мәні (біздің жағдайда бұл әдетте сату көлемі немесе тұтыну көлемі); a-OY осі бойынша тік көтерілу биіктігін көрсететін коэффициент; B-тік көлбеу бұрышын көрсететін коэффициент; Х-тәуелсіз айнымалы мәні (біздің жағдайда бұл әдетте тиісті уақыт аралығының нөмірі). Сызықтық регрессия әдісін пайдаланудың басты шектеуі-бұл өткен және болашақ кезеңдердің мәндері бір тікелей желіге түседі деп болжайды. Демек, бұл әдіс болжанып отырған тауарға сұраныс маусымдық ауытқуларға ұшыраған жағдайда елеулі түзетулерсіз қолданылуы мүмкін емес. Сызықтық регрессияны әдетте аз уақыт аралықтарында зерттеу кезінде қолданады. Регрессия теңдеуінің параметрлерін анықтаудың бірнеше жолы бар. Олардың бірі - ең кіші квадрат әдісі. 6 апта ішінде шикізатқа деген қажеттіліктің мәні 2.9-кестеде келтірілген. Сызықтық регрессиялық талдау әдістерін пайдалана отырып, жетінші аптаға қажеттілік болжамын беру қажет. 2.9-кесте. Апта бойынша қажеттіліктердің мәні Апта 1 2 3 4 5 6 Қажеттілік 14 18 20 28 28 34 Біз шикізатқа деген қажеттіліктің уақыт тәуелділігін зерттейміз. Демек, уақыт - тәуелсіз айнымалы, х, ал тұтыну көлемі-тәуелді айнымалы, у. Түзудің теңдеуі: Y = а + bX. Бізге А және b коэффициенттерін табу қажет. Келесі теңдеу жүйесін шешеміз: 38 { 𝑛𝑎 + 𝑏 ∑ 𝑋𝑖 𝑛 𝑖=1 = ∑ 𝑌𝑖; 𝑛 𝑖=1 𝑎 ∑ 𝑋𝑖 𝑛 𝑖=1 + 𝑏 ∑(𝑋𝑖) 2 = ∑(𝑋𝑖𝑌𝑖), 𝑛 𝑖=1 𝑛 𝑖=1 мұндағы n-деректері болжамдау кезінде пайдаланылатын уақыт кезеңдерінің саны. { 6𝑎 + 21𝑏 = 142; 21𝑎 + 91𝑏 = 566. Теңдеулер жүйесін кез келген тәсілмен шешеміз және келесі мәліметтерді аламыз: a=9.88; b=3.94. Алынған мәндерді түзу теңдеуіне қоямыз. Жетінші аптаның қажеттілігінің мәні 37,46 бірлікке тең. Сол сияқты сегізінші және кейінгі апта үшін болжамдар есептелуі мүмкін. Алдағы кезең үшін болжам есептелгенін, зерттелетін айнымалылардың арасындағы тәуелділік сипатының өзгеру ықтималдығы соғұрлым жоғары екенін, демек, қате болжау алынғанын ескеру қажет. Себеп-салдарлық талдау Корреляциялық модельдер Көбінесе сату көлемінің немесе тұтыну көлемінің уақыт тәуелділігін емес, сату көлемінің сатуға әсер ететін қандай да бір басқа факторға тәуелділігін зерттеу дұрыс болады. Бір фактор басқа факторларға әсер етуін себеп-салдарлық байланыстар деп аталады. Мысалы, бір жыл ішінде сатылған туристік жолдамалар саны ел бойынша орташа жалақы деңгейімен тең болады. Шатыр материалдарын сату көлемі жеке үйлер мен т. б. салуға берілген рұқсаттардың санына байланысты болады. Себеп-салдарлық байланыстарды зерттеу үшін әртүрлі әдістер қолданылады, олардың көпшілігі мақсатты факторға әсер ететін факторлар тобын (мысалы, шикізатты тұтыну көлемі) анықтауға және регрессиялық модельді құруға әкеледі. Сапалық әдістер Ұқсастық бойынша бағалау Қажеттіліктерді болжаудың ең түсінікті және жиі қолданылатын әдісі. Бұл әдісті пайдалану кезінде ешқандай есептеулер жүргізілмейді, өткен кезеңдерде қол жеткізілген мәндерге сүйенеді. Мысалы, апта күндері джинсы киім дүкендеріндегі сату көлемінің өзгеруі келесідей болса (2.10-кесте), осы деректер негізінде кейбір шешімдер қабылдауға болады. 2.10-кесте. Джинсы киімінің апта сайынғы сатылу динамикасы Апта күндері бірлік Сату көлемі, 39 Дүйсенбі 15 Сейсенбі 17 Сәрсенбі 17 Бейсенбі 35 Жұма 60 Сенбі 105 Жексенбі 70 Ең қарапайым жағдайда, біз алдағы аптаға сатылым көлемін өткен сенбіге тең сатылымды қабылдаймыз және осы болжам негізінде киім сатып аламыз. Бұл жағдайдан күрделі нұсқада біз басқалардың өзгеруін, сатуға әсер ететін сыртқы факторларды зерттейміз және ұқсастығын ескере отырып барлық осы факторлардың әсерін ескереміз. Мысалы, сатылым жай ғана сенбі күні емес, сату «ауа-райы суық желсіз, мейрам алдындағы сенбі» күні деп болжаймыз. Бұл жағдайда біз суық ауа райын (алдыңғы жылдардағыдай, салқын күндері сауда 30–45% төмендейді) және алдағы мерекелерді (соңғы жылдардағы ұқсастық бойынша, бұл фактор сатылымның 20-25% өсуіне мүмкіндік берді) әсерді ескеруіміз керек. Айта кету керек, бұл ұқсастыққа негізделген бағалау әдісі корреляциялық модельдерді қолдануға ұқсас келеді. Бұл болжау әдісінің басты кемшілігі - болуы мүмкін барлық оқиғалар үшін деректер (тәжірибе) жинақтау мүмкін еместігі. Кейбір оқиғалар бұрын болған емес, басқа оқиғалардың әсері бірнеше факторлардың аралас әсерінен бұрмаланған болуы мүмкін. Сонымен қатар, байланысты джинсы сатуды жаңа сән үрдістерінің әсері, әдет-ғұрыптардың өсуі немесе төмендеуі, бәсекелес сауда желісінің жақын маңдағы дүкенін ашу және т.б. факторлар ескеретін ұқсастық әдісі бойынша жоспарлау өте қиын болады. Көрсеткіштерді немесе тұтыну көрсеткіштерін ұқсастық әдісі бойынша жоспарлау және болжау емес, олармен кезінде байланысты жұмыс түрлерін болжаудан кейін әрекет етудің кең өрісі ашылады. Мысалы, бізде джинсы киімін сату динамикасы туралы мәліметтер бар болған кезде (2.10- кестені қараңыз), біз сатушылар мен қойма қызметкерлерінің жұмыс кестесін жоспарлай аламыз, қоймада түгендеу жүргізу немесе қорлар мен т. б. толықтыру үшін ең сәтті күнді таңдай аламыз. жүктеу/скачать 2,12 Mb. Достарыңызбен бөлісу:
|