Probabilistiska prognoser
Probabilistiska prognoser sammanfattar vad som är känt om, eller åsikter om, framtida händelser. I motsats till prognoser med enstaka värden (som att prognostisera att den maximala temperaturen på en given plats en viss dag kommer att vara 23 grader Celsius, eller att resultatet i en given fotbollsmatch kommer att bli oavgjort), tilldelar sannolikhetsprognoser en sannolikhet för vart och ett av ett antal olika utfall, och den fullständiga uppsättningen sannolikheter representerar en sannolikhetsprognos . Således är sannolikhetsprognoser en typ av probabilistisk klassificering .
Väderprognoser representerar en tjänst där sannolikhetsprognoser ibland publiceras för offentlig konsumtion, även om den också kan användas av väderprognosmakare som grund för en enklare typ av prognos. Till exempel kan prognosmakare kombinera sin egen erfarenhet tillsammans med datorgenererade sannolikhetsprognoser för att konstruera en prognos av typen "vi förväntar oss kraftiga regn".
Sportspel är ett annat användningsområde där probabilistiska prognoser kan spela en roll. Oddsen före loppet som publiceras för en hästkapplöpning kan anses motsvara en sammanfattning av spelarnas åsikter om det sannolika resultatet av ett lopp, även om detta måste dämpas med försiktighet eftersom bookmakers vinster måste beaktas . Inom sportvadslagning kanske sannolikhetsprognoser inte publiceras som sådana, men kan ligga till grund för bookmakers aktiviteter för att sätta utdelningsräntor etc.
Väderprognos
Probabilistisk prognos används i en väderprognos på ett antal sätt. En av de enklaste är publiceringen av om nederbörd i form av en sannolikhet för nederbörd .
Ensembler
Sannolikhetsinformationen härleds vanligtvis genom att använda flera numeriska modellkörningar, med något varierande initialvillkor. Denna teknik brukar kallas för ensembleprognoser av ett Ensemble Prediction System (EPS). EPS ger inte en fullständig prognostiserad sannolikhetsfördelning över alla möjliga händelser, och det är möjligt att använda rent statistiska eller hybrida statistiska/numeriska metoder för att göra detta. Temperaturen kan till exempel anta ett teoretiskt oändligt antal möjliga värden (händelser); en statistisk metod skulle producera en fördelning som tilldelar ett sannolikhetsvärde till varje möjlig temperatur. Otroligt höga eller låga temperaturer skulle då ha nära noll sannolikhetsvärden.
Om det var möjligt att köra modellen för varje möjlig uppsättning initiala villkor, var och en med en associerad sannolikhet, så skulle man kunna beräkna den faktiska villkorade sannolikheten beroende på hur många medlemmar (dvs. individuella modellkörningar) i ensemblen förutsäger en viss händelse av den givna händelsen. I praktiken försöker prognosmakare gissa ett litet antal störningar (vanligtvis runt 20) som de anser är mest sannolikt att ge distinkta väderresultat. Två vanliga tekniker för detta ändamål är avelsvektorer (BV) och singulära vektorer (SV). Denna teknik är inte garanterad att ge en ensemblefördelning som är identisk med den faktiska prognosfördelningen, men att uppnå sådan sannolikhetsinformation är ett mål med valet av initiala störningar. Andra varianter av ensembleprognossystem som inte har någon omedelbar probabilistisk tolkning inkluderar de som sammanställer de prognoser som produceras av olika numeriska väderprognossystem .
Exempel
Kanada har varit ett av de första länderna att sända sin probabilistiska prognos genom att ge chanser till nederbörd i procent. Som ett exempel på helt probabilistiska prognoser har nyligen distributionsprognoser för nederbördsmängder utvecklats med rent statistiska metoder vars prestanda är konkurrenskraftig med hybrid EPS [ nederbördsprognoser för förtydligande behövs] / statistiska dagliga nederbördsmängder.
Probabilistiska prognoser har också använts i kombination med neurala nätverk för energigenerering. Detta görs via förbättrad väderprognos med hjälp av probabilistiska intervall för att ta hänsyn till osäkerheter i vind- och solprognoser, till skillnad från traditionella tekniker som punktprognoser.
Ekonomisk prognos
Makroekonomiska prognoser är processen att göra förutsägelser om ekonomin för nyckelvariabler som BNP och inflation, bland annat, och presenteras i allmänhet som punktprognoser. Ett av problemen med punktprognoser är att de inte förmedlar prognososäkerheter, och det är här sannolikhetsprognosens roll kan vara till hjälp. De flesta prognosmakare skulle koppla sannolikheter till en rad alternativa utfall eller scenarier utanför sina centrala prognoser. Dessa sannolikheter ger en bredare bedömning av risken förknippad med deras centrala prognoser och påverkas av oväntade eller extrema förändringar i nyckelvariabler.
Framträdande exempel på sannolikhetsprognoser är de som görs i undersökningar där prognosmakare, utöver sina centrala prognoser, tillfrågas om sina sannolikhetsuppskattningar inom ett specificerat intervall. Monetary Authority of Singapore (MAS) är en sådan organisation som publicerar sannolikhetsprognoser i sin kvartalsvisa MAS Survey of Professional Forecasters. En annan är Consensus Economics , ett makroekonomiskt undersökningsföretag, som publicerar en speciell undersökning om prognossannolikheter varje januari i sina publikationer Consensus Forecasts, Asia Pacific Consensus Forecasts och Eastern Europe Consensus Forecasts.
Förutom undersökningsföretag som täcker detta ämne är sannolikhetsprognoser också ett ämne för akademisk forskning. Detta diskuterades i en forskningsartikel från 2000 av Anthony Garratt, Kevin Lee, M. Hashem Pesaran och Yongcheol Shin med titeln "Forecast Uncertainties in Macroeconometric Modelling: An Application to the UK Economy". MAS släppte en artikel om ämnet i sin Macroeconomic Review i oktober 2015 som heter A Brief Survey of Density Forecasting in Macroeconomics.
Energiprognoser
Probabilistiska prognoser har hittills inte undersökts i stor omfattning i samband med energiprognoser . Situationen håller dock på att förändras. Medan Global Energy Forecasting Competition (GEFCom) 2012 höll på att prognostisera elektrisk belastning och vindkraft, syftade 2014 års upplaga till probabilistiska prognoser av elektrisk belastning, vindkraft , solenergi och elpriser . De två bästa teamen i prisspåret för GEFCom2014 använde varianter av Quantile Regression Averaging (QRA), en ny teknik som innebär att man tillämpar kvantilregression till punktprognoser för ett litet antal individuella prognosmodeller eller experter, vilket gör det möjligt att utnyttja befintlig utveckling av punktprognoser.
Lumina Decision Systems har skapat en exempel probabilistisk prognos för energianvändning för de kommande 25 åren med hjälp av US Department of Energy's Annual Energy Outlook (AEO) 2010.
Befolkningsprognoser
Sannolikhetsprognoser har även använts inom området befolkningsprognoser.
bedömning
Att bedöma probabilistiska prognoser är mer komplext än att bedöma deterministiska prognoser. Om ett ensemblebaserat tillvägagångssätt används måste de enskilda ensemblemedlemmarna först kombineras och uttryckas i termer av en sannolikhetsfördelning. Det finns probabilistiska (riktiga) poängregler såsom det kontinuerliga rangordnade sannolikhetspoängen för att utvärdera probabilistiska prognoser. Ett exempel på en sådan regel är Brier-poängen .
Se även
- ^ Wilks, DS (2005), Statistiska metoder i de atmosfäriska vetenskaperna , andra upplagan. (Internationell geofysikserie, volym 91). Akademisk press. ISBN 0-12-751966-1
- ^ Toth, Z. och Kalnay, E. (1997), "Ensemble Forecasting at NCEP and the Breeding Method", Monthly Weather Review , 125, s. 3298.
- ^ Little, MA et al. (2009), "Generaliserade linjära modeller för platsspecifik densitetsprognoser för dagligt regn i Storbritannien" . Monthly Weather Review , 37(3), 1029–1045
- ^ Kabir, HM Dipu; Khosravi, Abbas; Hosen, Mohammad Anwar; Nahavandi, Saeid (2018). "Neural Network-Based Uncertainty Quantification: En undersökning av metoder och tillämpningar" . IEEE-åtkomst . 6 : 36218-36234. doi : 10.1109/access.2018.2836917 . ISSN 2169-3536 .
- ^ "Konsensusekonomi - ekonomiska prognoser och indikatorer" .
- ^ Garratt, Anthony; Lee, Kevin; Pesaran, M. Hashem; Shin, Yongcheol (december 2003). "Prognos osäkerheter i makroekonomisk modellering: en tillämpning för den brittiska ekonomin" ( PDF) . Journal of the American Statistical Association . 98 (464): 829–838. doi : 10.1198/016214503000000765 . JSTOR 30045334 . S2CID 120465353 . Hämtad 27 februari 2023 .
- ^ http://www.mas.gov.sg/~/media/resource/publications/macro_review/2015/MROct15_Macroeconomic%20Review.pdf , s. 92-97
- ^ Weron, Rafał (2014). [Fri tillgång]. "Elprisprognoser: En genomgång av det senaste med en blick in i framtiden" . International Journal of Forecasting . 30 (4): 1030–1081. doi : 10.1016/j.ijforecast.2014.08.008 .
- ^ "Call for Papers: Probabilistic energiprognoser | Internationell tidskrift av prognoser" . blog.drhongtao.com . Hämtad 2015-11-29 .
- ^ Nowotarski, Jakub; Weron, Rafał (2015). [Fri tillgång]. "Beräkna intervall för förutsägelse av elspotpris med hjälp av kvantilregression och prognosmedelvärde" ( PDF) . Beräkningsstatistik . 30 (3): 791–803. doi : 10.1007/s00180-014-0523-0 . ISSN 0943-4062 .
- ^ Wilson, T.; Bell, M. (2007). "Probabilistiska regionala befolkningsprognoser: exemplet från Queensland, Australien". Geografisk analys . 39 : 1–25. doi : 10.1111/j.1538-4632.2006.00693.x .
- ^ Jolliffe, IT, Stephenson, DB (2003) Prognosverifiering: En utövares vägledning i atmosfärisk vetenskap . Wiley. ISBN 0-471-49759-2
- ^ Schölzel, C., A. Hense (2011): Probabilistisk bedömning av regional klimatförändring i sydvästra Tyskland genom ensembledressing , Climate Dynamics 36 (9), 2003-2014
- ^ Gneiting, T. och Raftery, AE (2007), "Strikt korrekt poängsättning regler, förutsägelse och uppskattning". Journal of the American Statistical Association , 102, s. 359–378