Ретроспективный прогноз. 
Прогнозирование спроса на автомобили в России

На основе 90 наблюдений была построена модель и применена к 9 наблюдениям. Рассчитанные прогнозные значения сведены в таблицу 3.26.

Средняя ошибка прогноза рассчитана по следующей формуле, где реальное значение продаж, прогнозное значение продаж, n — количество наблюдений.

Таблица 3.16. Ошибка прогноза.

Диаграмма 3.1. Сравнение реального уровня продаж с прогнозным значением.

Качественные выводы из построенной модели

В ходе построения модели была исключена количесвтенная переменная Inflution_dynamic, следовательно динамика инфляции в стране не влияет на спрос в нашей стране.

Отрицательные коэффициенты перед переменными Credit_rate и Currency_basket свидетельствуют о снижении спроса при повышении процентной ставки по кредитам и увеличении стоимости бивалютной корзины.

Положительная зависимость продаж от цены на бензин объясняется желанием приобрести новый автомобиль, которые будет более экономичным по части расхода топлива.

Положительный коэффициент перед Average_income2 и отрицательный перед Average_income_sqr2 говорит о том, что при росте денежного дохода до определенного уровня спрос растет, но после его преодоления — падает. Это означает, что денежные средства идут, например, на покупку недвижимости.

Положительные коэффициенты перед March, April и May говорят о набольших значениях продаж весной, все хотят новый автомобиль к летнему сезону. Особенно пик продаж наблюдается в марте.

Отрицательный коэффициент перед December означает снижение спроса в конце года, описывая поведение покупателей: в январе следующего года автомобиль, произведенный в предыдущем месяце будет считаться прошлогодним, следовательно и стоимость его будет ниже.

Существование положительной зависимости от послекризисного периода объясняется возможным появлением дополнительных денежных средств, по сравнению с предшествующим периодом.

Наличие лагового значения переменной характеризует зависимость спроса от продаж в предыдущий период: коэффициент положительный — зависимость положительная.

Средняя ошибка прогноза модели составила 9.88%, что допускает использования данной модели на практике.