Työmaalämmittimen kysynnän ennustemallin rakentaminen regressioanalyysillä
Hauhio, Aarno (2024)
2024
Kauppatieteiden kandidaattiohjelma - Bachelor's Programme in Business Studies
Johtamisen ja talouden tiedekunta - Faculty of Management and Business
This publication is copyrighted. Only for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2024-04-23
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202404183770
https://urn.fi/URN:NBN:fi:tuni-202404183770
Tiivistelmä
Ennustaminen on tapa yrittää ennakoida tulevaisuuden tapahtumia epävarmuuden vallitessa. Kysynnän ennustaminen on kriittinen osa-alue monille yrityksille, jotka hyödyntävät esimerkiksi varastoja liiketoiminnassaan. Onnistuneilla ennusteilla voidaan pienentää varastojen kokoa ja optimoida toimitusketjuja. Tämän tutkielman tarkoituksena on selvittää, millaisella ennustemallilla voidaan ennustaa sähkökäyttöisen työmaalämmittimen kysyntää sekä tutkia, kuinka tarkasti rakennettu ennustemalli pystyy kysyntää ennustamaan.
Tutkielman teoriaosuuden alussa kartoitetaan aihealueen aikaisempaa tutkimuskirjallisuutta. Sen jälkeen kerrotaan kysynnän ennustamisen merkityksestä liiketoiminnalle, luodaan katsaus erilaisiin ennustemenetelmiin sekä kysynnän ennustettavuuteen ja ennustevirheisiin. Tämän jälkeen pohjustetaan perusteiden osalta tutkimuksen analyysimenetelmää, regressioanalyysiä. Lopuksi käydään läpi koko ennustemallin laatimisen prosessi, joka koostuu muuttujien valinnasta, mallin rakentamisesta sekä mallin validoinnista.
Empiirisessä osuudessa toteutetaan ennustemallin rakentaminen lineaarisella regressionanalyysillä. Aineistona käytetään sähkökäyttöisen työmaalämmittimen kysyntätilastoa vuosien 2020–2022 ajalta. Selittävänä muuttujana käytetään ilman keskilämpötilaa samalta ajanjaksolta. Lisäksi empiirisessä osuudessa tutkitaan molempien aineistona toimivien aikasarjojen stationaarisuus Dickey-Fuller-testillä sekä suoritetaan tarvittavat diagnostiset tarkastelut. Lopuksi testataan vielä valmiin ennustemallin ennustetarkkuutta keskimääräisen neliövirheen sekä keskimääräisen absoluuttisen prosenttivirheen avulla. Regressiomallin ennustetarkkuutta verrataan naiivin kausimallin ennustetarkkuuteen.
Tutkielman tuloksista huomataan, että lämpötila selittää melko hyvin työmaalämmittimen kysynnän vaihtelua. Lämpötilan voimakas varianssi kuitenkin heikentää ennustemallin tarkkuutta, ja rakennettu regressiomalli häviääkin hiukan naiivin kausimallin ennusteille vuosina, jolloin keskilämpötilat ovat olleet lähellä toisiaan. Johtopäätöksenä voidaan todeta, että yhden muuttujan regressiomalli ei ole paras mahdollinen menetelmä työmaalämmittimen kysynnän ennustamiseen. Ennustetarkkuuden lisäämiseksi malliin voitaisiin lisätä selitettävän muuttujan viiveitä tai käyttää kokonaan erilaista mallia kuten esimerkiksi vektoriautoregressiivistä mallia.
Tutkielman teoriaosuuden alussa kartoitetaan aihealueen aikaisempaa tutkimuskirjallisuutta. Sen jälkeen kerrotaan kysynnän ennustamisen merkityksestä liiketoiminnalle, luodaan katsaus erilaisiin ennustemenetelmiin sekä kysynnän ennustettavuuteen ja ennustevirheisiin. Tämän jälkeen pohjustetaan perusteiden osalta tutkimuksen analyysimenetelmää, regressioanalyysiä. Lopuksi käydään läpi koko ennustemallin laatimisen prosessi, joka koostuu muuttujien valinnasta, mallin rakentamisesta sekä mallin validoinnista.
Empiirisessä osuudessa toteutetaan ennustemallin rakentaminen lineaarisella regressionanalyysillä. Aineistona käytetään sähkökäyttöisen työmaalämmittimen kysyntätilastoa vuosien 2020–2022 ajalta. Selittävänä muuttujana käytetään ilman keskilämpötilaa samalta ajanjaksolta. Lisäksi empiirisessä osuudessa tutkitaan molempien aineistona toimivien aikasarjojen stationaarisuus Dickey-Fuller-testillä sekä suoritetaan tarvittavat diagnostiset tarkastelut. Lopuksi testataan vielä valmiin ennustemallin ennustetarkkuutta keskimääräisen neliövirheen sekä keskimääräisen absoluuttisen prosenttivirheen avulla. Regressiomallin ennustetarkkuutta verrataan naiivin kausimallin ennustetarkkuuteen.
Tutkielman tuloksista huomataan, että lämpötila selittää melko hyvin työmaalämmittimen kysynnän vaihtelua. Lämpötilan voimakas varianssi kuitenkin heikentää ennustemallin tarkkuutta, ja rakennettu regressiomalli häviääkin hiukan naiivin kausimallin ennusteille vuosina, jolloin keskilämpötilat ovat olleet lähellä toisiaan. Johtopäätöksenä voidaan todeta, että yhden muuttujan regressiomalli ei ole paras mahdollinen menetelmä työmaalämmittimen kysynnän ennustamiseen. Ennustetarkkuuden lisäämiseksi malliin voitaisiin lisätä selitettävän muuttujan viiveitä tai käyttää kokonaan erilaista mallia kuten esimerkiksi vektoriautoregressiivistä mallia.