Prognozowanie produkcji budowlano montażowej w województwie dolnośląskim. Część I

• Autorzy: Rogalska M.

Warianty tytułu

EN

Prediction of construction and assembly production in the province of Lower Silesia. Part I.

• Języki publikacji: PL

Abstrakty

PL

Artykuł jest częścią pierwszą cyklu „Prognozowanie produkcji budowlano montażowej w województwie dolnośląskim”. Założono, że wynagrodzenie pracowników będzie jedną ze zmiennych niezależnych do wyznaczenia wielkości produkcji. Prognozowano wynagrodzenia pracowników w sektorze budowlanym metodami regresji wielorakiej i metodą autoregresji średniej ruchomej SARIMA. Przeprowadzono analizę wyników obliczając błędy ME, MAE, MPE, MAPE oraz współczynniki Theila I, I2, I12, I22, I32. Sformułowano wnioski z obliczeń. Wyznaczono równanie regresji wielorakiej z 12 predyktorami wytypowanymi spośród 53 zmiennych niezależnych. Uzyskano dane prognozowane do predykcji produkcji budowlano montażowej.

EN

The article is the first part of the series „Prediction construction and assembly production in Lower Silesia.” It was assumed that salary of employees will be one of the independent variables to determine the volume of production. Salaries of employees was predicted, using multiple regression and autoregressive moving average SARIMA methods. An analysis of the results was carried out. The errors ME, MAE, MPE, MAPE and Theil coefficients I, I2, I12, I22, I32 were calculated. Multiple regression equation with 12 predictors was set. Predictors were selected from among the 53 independent variables. Forecasted data were obtained for construction and assembly production prediction.

Słowa kluczowe

PL

prognozowanie; regresja wieloraka; SARIMA; wynagrodzenia pracowników

EN

prediction; multiple regression; SARIMA; salaries of employees

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Budownictwo i Architektura
• Rocznik: 2012
• Tom: Vol. 11, nr 2
• Strony: 121--137
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Rogalska M.

• Katedra Inżynierii Procesów Budowlanych, Wydział Budownictwa i Architektury, Politechnika Lubelska,

Bibliografia

• [1] Box, G.E.P., Pierce, D.A., Distribution of residual autocorrelations in autoregressive-integrated moving average time series models, Journal of the American Statistical Association 65 (1970) 1509-26.
• [2] Christodoulos Ch., Michalakelis Ch., Varoutas D., Forecasting with limited data: Combining ARIMA and diffusion models, Technological Forecasting and Social Change 77 (2010) 558-565.
• [3] Cieślak M., Prognozowanie gospodarcze : metody i zastosowanie, Wydaw. Naukowe PWN, Warszawa 2001.
• [4] Dickey D.A., Fuller W.A., Likelihood ratio statistics for autoregressive time series with a unit root, Econometrica 49(4) (1981) 1957-72.
• [5] Ediger V.E., Akar S., ARIMA forecasting of primary energy demand by fuel in Turkey, Energy Policy 35(3) (2007) 1701-1708.
• [6] Faruk D.O., A hybrid neural network and ARIMA model for water quality time series prediction, Engineering Applications of Artificial Intelligence 23(4) (2010) 586-594.
• [7] Gilbert K.C., Chatpattananan V., An ARIMA supply chain model with a generalized ordering policy, Journal of Modelling in Management 1(1) (2006).
• [8] Gilbert K.C., An ARIMA supply chain model, Management Science 51(2) (2005) 305-10.
• [9] Kot S., Jakubowski J., Sokołowski A., Statystyka, Difin, Warszawa 2007.
• [10] Stanisz A., Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny,T 1. StatSoft Polska Sp. z o.o., Kraków 2006.