- •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
5.1.8.3Линейные параметрические методы
Стационарные модели.
Если временной ряд стационарный, что означает наличие статистического равновесия относительно постоянной средней, он может представлен широким классом линейных моделей, называемых моделями авторегрессии-скользящего среднего (АРСС):
, (5.64)
где xt = yt - c;
1,…,р - параметры авторегрессии;
1,…,q - параметры скользящего среднего.
Нестационарные модели
При анализе нестационарных рядов используют такие классы моделей, которые представлены относительно конечных разностей порядка d. В начале модель формируется относительно конечных разностей первого порядка
1yt = yt - yt-1
Если замена y конечными разностями первого порядка не помогает избавиться от нестационарности, то применяют разности второго порядка
2yt = 1yt - 1yt-1 и т.д. до тех пор, когда ряд станет стационарным:
d-1yt = d-2yt - d-2yt-1, dyt = d-1yt - d-1yt-1
Если вместо y использовать разности dy то такая модель называется авторегрессионной интегрированной моделью скользящего среднего, или АРИСС(p, d, q);
где: p - порядок авторегрессии;
d - порядок разностей;
q - порядок скользящего среднего.
Представителями АРИСС - моделей является модель Бокса-Дженкинса, которая позволяет управлять процессом идентификации и оценивания модели.
Если выполнен прогноз первой разности , то переход к значению прогнозируемого уровня ряда производится следующим образом
.
Например, модель АРИСС(2, 1, 1) выглядит следующим образом
yt = 0 + yt-1 + yt-2 + t + t-1.
Идентификация модели АРИСС
Идентификация модели АРИСС заключается в выборе параметров p, d, q.
Выбор d. Если параметр d выбран правильно, то коэффициент парной автокорреляции незначительно отличается от нуля при любом лаге. Выбор параметра d заключается в следующем: вычисляется автокорреляционная функция (АКФ) между последовательностями ряда yt и yt-k, к = 1, 2, …, K. В качестве d можно выбрать максимальное значение k, для которого АКФ yt и yt-k значимо отличается от нуля.
Выбор параметров p и q заключается в выполнении следующих действий:
1. Задаются начальные значения параметров p и q;
2. Оцениваются коэффициенты уравнения (5.64), соответствующие заданным p и q (d - уже выбран);
3. Проверяются остатки полученной регрессии на наличие автокорреляции. Остатки правильно идентифицированной модели должны вести себя подобно "белому шуму". Если гипотеза о наличии автокорреляции не отвергается, то значения p, q увеличиваются на единицу и далее к п. 2.
Выбор начальных значений параметров p, q.
Начальное значение q выбирается таким образом:
1.Выполняется оценка параметров модели АРИСС(0,d,0). Вычисляется АКФ полученной регрессии (в данном случае АКФ остатков et и et-k) на равенство нулю и выбирается k, для которого АКФ остается значимо отличной от нуля (q = k).
2.Для модели АРИСС(0,d,0) ЧАКФ k-ого лага равна оценке коэффициента при et-k в регрессии et на et-1, et-2,…, et-k.
Начальное значение p выбирается следующим образом:
После оценки параметров модели АРИСС(0,d,0) вычисляется ЧАКФ полученных остатков (et и et-k) на равенство нулю и выбирается максимальная длина лага (k), для которого ЧАКФ остается значимо отличной от нуля (p = k).
3.Вычисляется и тестируется АКФ и ЧАКФ остатков полученной модели АРИСС(p,d,q). Если хотя бы одна из компонент АКФ или ЧАКФ значимо отличается от нуля, то значения параметров p и q увеличиваются на единицу. Иногда поступают таким образом - сравнивают дисперсию модели АРИСС(p,d,q) c дисперсиями моделей АРИСС(p+1,d,q) и АРИСС(p,d,q+1). Если первая значимо меньше двух последующих, то это означает, что модель идентифицирована.
Практически число параметров каждого вида невелико (обычно меньше 2), поэтому существуют такие предположения (альтернативные модели).
1.Один параметр (p): АКФ - экспоненциально убывает; ЧАКФ - имеет резко выделяющееся значение для лага 1, нет корреляций на других лагах.
2.Два параметра авторегрессии (p): АКФ имеет форму синусоиды или экспоненциально убывает; ЧАКФ имеет резко выделяющиеся значения на лагах 1, 2, нет корреляций на других лагах.
3.Один параметр скользящего среднего (q): АКФ имеет резко выделяющееся значение на лаге 1, нет корреляций на других лагах. ЧАКФ экспоненциально убывает.
4.Два параметра скользящего среднего (q): АКФ имеет резко выделяющиеся значения на лагах 1, 2, нет корреляций на других лагах. ЧАКФ имеет форму синусоиды или экспоненциально убывает.
5.Один параметр авторегрессии (p) и один параметр скользящего среднего (q): АКФ и ЧАКФ экспоненциально убываю с лага 1.