- •Теоретичні відомості до практичної роботи 2
- •5. Анализ временных рядов
- •5.1.Постановка задачи
- •5.1.1. Временные ряды. Задачи исследования временных рядов
- •5.1.2 Компонентный состав рядов динамики
- •5.1.3. Требования к данным
- •5.1.4.Предварительный анализ временных рядов
- •Результаты расчета
- •5.1.4.2.Средние характеристики:
- •5.1.4.3.Автокорреляции в рядах динамики.
- •5.1.4.4.Методы проверки наличия и выделения тенденции.
- •5.1.4.5.Методы проверки наличия сезонности.
- •5.1.5. Методы анализа основной тенденции во временных рядах.
- •5.1.5.1.Механическое сглаживание.
- •5.1.5.2.Аналитическое выравнивание временных рядов.
- •5.1.6.Гармонический анализ
- •5.1.7.Проверка качества прогнозов (сравнение моделей прогнозирования)
- •5.1.7.3.Проверка случайности ряда остатков.
- •5.1.7.4. Проверка гипотезы о нормальности ряда остатков.
- •5.1.7.5. Проверка гипотезы о стационарности ряда остатков.
- •5.1.8.Адаптивные модели и методы
- •5.1.8.2. Модели сс.
- •Модель Брауна
- •Модель Хольта
- •Модель авторегрессии
- •5.1.8.3Линейные параметрические методы
- •Нестационарные модели
- •5.1.9.Анализ сезонных колебаний
- •5.1.9.1. Анализ сезонной волны.
- •5.1.9.2. Адаптивные модели анализа сезонности
- •Базовые сезонные модели, к ним относятся:
- •Сезонные модели скользящего среднего
- •Модель Хольта-Уинтерса
- •Сезонные модели авторегрессии
- •5.1.9.3. Cезонные модели арисс (сезонная модель Бокса-Дженкинса)
- •5.1.10. Прогнозирование
- •5.1.10.1. Методы экстраполяции.
- •5.1.10.2. Прогнозирование экономических показателей с помощью кривых роста.
- •5.1.10.3. Адаптивные методы прогнозирования
5.1.4.Предварительный анализ временных рядов
Предварительный анализ проводится с целью: определения соответствия имеющихся данных требованиям, предъявляемым к ним математическими методами (объективности, сопоставимости, полноты, однородности и устойчивости); определения показателей изменения динамики (приросты, темпы роста, темпы прироста базисные и цепные); определения внутренней структуры исследуемого показателя (коэффициенты автокорреляции и частной автокорреляции).
Результаты этого этапа должны дать представление о возможности применения математических методов в данном конкретном случае, и о предпочтительности тех или иных методов прогнозирования.
5.1.4.1. Характеристики динамики.
Динамика изменения исследуемого показателя может быть охарактеризована по отношению к какому-то базисному (обычно первому) наблюдению и величиной изменения соседних уровней. В этой связи вычисляются базисные и цепные характеристики:
Абсолютный базисный прирост , (5.1)
Абсолютный цепной прирост , (5.2)
Базисный коэффициент роста , (5.3)
Цепной коэффициент роста , (5.4)
Базисный коэффициент прироста , (5.5)
Цепной коэффициент прироста , (5.6)
Темп роста Trt = Krt 100%, (5.7)
Темп прироста Tpt = Kpt 100%, (5.8)
Во всех формулах n - число уровней ряда, Y - уровни ряда.
Результаты расчета представить в виде табл.5.1:
Таб.5.1
Результаты расчета
No Уровня |
ААбсолютный прирост |
Темп роста |
Темп прироста | |||
Базисный |
Цепной |
Базисный |
Цепной |
Базисный |
Цепной | |
|
|
|
|
|
|
|
5.1.4.2.Средние характеристики:
Средний уровень , (5.9)
Средний абсолютный прирост , (5.10)
Средний темп роста , (5.11)
Средний темп прироста Tp =Tr - 100%.. (5.12)
5.1.4.3.Автокорреляции в рядах динамики.
Для полной характеристики случайного процесса применяются автокорреляционная функция (АКФ) и частная автокорреляционная функция (ЧАКФ). Автокорреляционная функция представляет собой множество коэффициентов корреляции между временным рядом и этим же рядом, сдвинутым во времени на величину . Сдвиг, которому соответствует наибольший коэффициент автокорреляции, называется временным лагом. График автокорреляционной функции называется коррелограммом. Он показывает, как часто и с каким запаздыванием изменение показателя yt сказывается на последующих значениях этого показателя. Автокорреляционная функция является нормированной, значения ее колеблются в пределах [-1;+1].
Коэффициенты автокорреляции оцениваются как значения ковариационной функции, деленные на выборочную дисперсию ряда:
; (5.13)
где: cov(k) = (y'1y'1+k + y'2y'2+k +…+y'n-ky'n)/n - ковариационная функция;
- выборочная дисперсия;
y'i - .отклонения от среднего y'i = yi -y.
В ЧАКФ устраняется зависимость между промежуточными наблюдениями (наблюдениями внутри лага). Другими словами, частная автокорреляция на данном лаге аналогична обычной автокорреляции, за исключением того, что при вычислении из нее удаляется влияние автокорреляций с меньшими лагами. На лаге 1 (когда нет промежуточных элементов внутри лага), частная автокорреляция равна обычной автокорреляции. Для определения частной автокорреляционной функции рассматривается матрица, составленная из коэффициентов АКФ
(5.14)
Из этой матрицы составляются две матрицы: первая - R1,k+1 получается вычеркиванием первой строки и последнего k+1-ого столбца; вторая - R1,1 получается вычеркиванием первой строки и первого столбца:
(5.15)
Частные коэффициенты автокорреляции рассчитываются следующим образом:
, (5.16)
где: = 1, 2, 3, - порядок (сдвиг, лаг) частного коэффициента;
R1,k+1 - алгебраическое дополнение матрицы R1,k+1, образованное главным диагональным минором -ого порядка;
R1,1 - алгебраическое дополнение матрицы R1,1, образованное главным диагональным минором -ого порядка;
r - автокорреляционная функция (АКФ);
r' - частная автокорреляционная функция (ЧАКФ).
Чистые авторегрессионные процессы имеют плавно затухающую АКФ и резко прерывающуюся ЧАКФ. На этом свойстве основано определение параметров АРИСС-модели временного ряда.
Автокорреляционная функция для случайной составляющей Et имеет следующий вид:
. (5.17)
АКФ и ЧАКФ используются для выявления сезонной и периодической составляющих временного ряда, а также для определения порядка модели авторегрессии и идентификации адаптивных моделей.