METODY NAIWNE

Prognozowanie naiwne jest najprostszą metodą oszacowania przyszłych wartości. Zakłada ono, że przyszłe wartości będą miały taką samą lub analogiczną strukturę jak historia. Wszystko zależy od tego jaką wiedzę posiadamy.

Jeśli o obserwowanym szeregu nie wiemy nic, prognozą na następny krok jest ostatnia dostępna obserwacja.

$F_{t+1}=X_t$

Jeśli wiemy, że w danych występuje sezonowość, prognozą na następny krok jest analogiczna obserwacja z ostatniego okresu (np. z tego samego miesiąca poprzedniego roku).

$F_{t+1}=X_{t+1-s}$

gdzie s to okres sezonowości.

Jeśli wiemy, że w danych występuje trend, prognozą na następny krok jest ostatnia dostępna obserwacja powiększona o przyrost między przedostatnią a ostatnią obserwacją.

$F_{t+1}=2X_t - X_{t-1}$

Założenia o istnieniu trendu i sezonowości można połączyć, prognozując następną wartość jako analogiczną wartość z ostatniego okresu powiększona o przyrost w ciągu ostatniego okresu, gdzie przyrostem w tym przypadku jest różnica pomiędzy wartościami z ostatniego i przedostatniego okresu.

$F_{t+1}=2X_{t-s} - X_{t-2s}$

Prognozy naiwne są bardzo proste i przez to często niedokładne. Zwykle więc stosowane są w przypadkach, kiedy od dokładności ważniejsze jest szybkie wyliczenie prognozy. Każdy model statystyczny powinien być lepszy (a przynajmniej nie gorszy) od prognozy naiwnej.