- •А.С. Березина анализ данных
- •Предисловие
- •Лекция 1. Априорный анализ компонент временного ряда
- •1.1. Понятие временного ряда. Виды временных рядов
- •Производство молока в Кемеровской области
- •Численность работников здравоохранения, перед которыми организация имеет просроченную задолженность по заработной плате работников в Российской Федерации в 2013 году
- •Индекс потребительских цен в Кемеровской области (декабрь к декабрю предыдущего года; в процентах)
- •Потребление сахара (кг) на душу населения в Кемеровской области
- •1.2. Методы оценки однородности исходных данных
- •1.3. Методика выявления и анализа аномальных наблюдений
- •Краткосрочные экономические показатели рф
- •Расчётная таблица примера 1.1.
- •1.4. Абсолютные, относительные и средние показатели в анализе временных рядов
- •ЛЕкция 2. Моделирование тенденции
- •2.1. Проверка гипотезы о существовании тренда
- •Промежуточные расчетные значения кумулятивного т-критерия
- •2.2. Методы выявления тенденции
- •Численность населения на одного врача в Кемеровской области
- •Расчетная таблица метода Фостера-Стюарта
- •2.3. Выбор формы тренда
- •Критерии выбора класса, выравнивающих кривых
- •Лекция 3. Моделирование периодической компоненты
- •3.1. Аддитивные и мультипликативные тренд-сезонные модели Алгоритм построения модели временного ряда, содержащего сезонные колебания:
- •Поквартальные данные по розничному товарообороту компании
- •Расчет коэффициента автокорреляции
- •Коррелограмма временного ряда товарооборота
- •Расчет оценок сезонной компоненты в аддитивной модели
- •Расчет значений сезонной компоненты в аддитивной модели
- •Расчет значений t и ошибок e в аддитивной модели.
- •Расчет оценок сезонной компоненты в мультипликативной модели
- •Расчет значений сезонной компоненты в мультипликативной модели
- •Расчет значений t и ошибок e в мультипликативной модели
- •Лекция 4. Простейшие методы прогнозирования
- •4.1. Метод среднего уровня ряда
- •4.2. Метод среднего абсолютного прироста
- •Расчетная таблица для определения прогнозных значений методом среднего абсолютного прироста
- •4.3. Метод среднего темпа роста
- •4.4. Оценка точности и надежности прогнозов
- •Лекция 5. Методы выбора трендовой модели прогноза
- •5.1. Прогнозирование на основе кривых роста
- •5.2. Прогнозирование на основе экстраполяции тренда
- •Лекция 6. Адаптивные модели прогнозирования
- •6.1. Сущность адаптивных методов
- •6.2. Экспоненциальное сглаживание
- •Индекс потребительских цен Кемеровской области
- •Экспоненциальные средние
- •6.3. Метод гармонических весов
- •Параметры уравнений отдельных фаз движения текущего тренда
- •Лекция 7. Прогнозирование динамических рядов, не имеющих тенденции.
- •Распределение знаков отклонений
- •Расчетная таблица для определения знаков отклонений
- •Распределение знаков отклонений
- •8. Метод экспертных оценок
- •8.1. Методы и модели экспертных оценок
- •Матрица опроса
- •Матрица преобразованных рангов
- •Оценки вкусовых качеств продукта
- •Оценки вкусовых качеств продукта
- •Матрица преобразованных рангов
- •8.2. Методы и модели выбора альтернатив
- •Частные критерии трех операторов
- •Нормализованные критерии
- •Лекция 9. Статистические методы обработки результатов экспертизы
- •9.1. Оценка согласованности мнений экспертов
- •9.2. Обобщение мнений экспертов
- •Список литературы
- •Содержание
- •Анализ данных
- •650992, Г. Кемерово, пр. Кузнецкий, 39
Лекция 3. Моделирование периодической компоненты
3.1. Аддитивные и мультипликативные тренд-сезонные модели Алгоритм построения модели временного ряда, содержащего сезонные колебания:
Построение графика временного ряда для выявления структуры ряда.
Выравнивание исходного ряда методом скользящей средней.
Расчет значений сезонной компоненты S.
Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных (T+E) в аддитивной или (TּE) в мультипликативной модели.
Расчет уравнения тренда по выровненным данным.
Вычисление по уравнению тренда компоненты модели T.
Расчет полученных по модели значений (T+S) или (TּS).
Расчет абсолютных и/или относительных ошибок.
Пример 3.1.
Имеются поквартальные данные по розничному товарообороту компании за последние четыре года (таблица 3.1).
Постройте график временного ряда.
Постройте автокорреляционную функцию временного ряда (8 коэффициентов автокорреляции).
Охарактеризуйте структуру этого ряда.
Постройте аддитивную модель временного ряда.
Постройте мультипликативную модель временного ряда.
Выберите наилучшую модель и по ней выполните прогноз товарооборота на первый и второй квартал следующего года.
Таблица 3.1
Поквартальные данные по розничному товарообороту компании
№ Квартала, t |
Товарооборот, % к предыдущему периоду, yt |
№ Квартала, t |
Товарооборот, % к предыдущему периоду, yt |
1 |
52 |
9 |
72 |
2 |
66 |
10 |
96 |
3 |
50 |
11 |
83 |
4 |
30 |
12 |
58 |
5 |
62 |
13 |
72 |
6 |
75 |
14 |
94 |
7 |
68 |
15 |
90 |
8 |
48 |
16 |
64 |
Решение.
1. ОткройтеMicrosoftExсelи введите исходные данные.
График временного ряда построим, используя Мастер диаграмм. Графическое изображение ряда представлено на рисунке 3.1.
По графику видно, что ряд имеет сезонные колебания. Определим период этих колебаний.
Предположим, что розничный товарооборот компании в текущем месяце зависит от товарооборота компании предыдущих месяцев, т.е. между уровнями ряда существует зависимость. Выявим ее с помощью коэффициентов автокорреляции.
Ри. 3.1. График временного ряда |
2. Для расчета коэффициента автокорреляции 1-го порядка (), который определяет тесноту связи между уровнями рядаytиyt-1, заполним таблицу 3.2.
Таблица 3.2
Расчет коэффициента автокорреляции
| |||||||
1 |
52 |
|
|
|
|
|
|
2 |
66 |
52 |
-2,533 |
-15,733 |
39,852 |
6,416 |
247,527 |
3 |
50 |
66 |
-18,533 |
-1,733 |
32,118 |
343,472 |
3,003 |
4 |
30 |
50 |
-38,533 |
-17,733 |
683,306 |
1484,792 |
314,459 |
5 |
62 |
30 |
-6,533 |
-37,733 |
246,51 |
42,68 |
1423,779 |
6 |
75 |
62 |
6,467 |
-5,733 |
-37,075 |
41,822 |
32,867 |
7 |
68 |
75 |
-0,533 |
7,267 |
-3,873 |
0,284 |
52,809 |
8 |
48 |
68 |
-20,533 |
0,267 |
-5,482 |
421,604 |
0,071 |
9 |
72 |
48 |
3,467 |
-19,733 |
-68,414 |
12,02 |
389,391 |
10 |
96 |
72 |
27,467 |
4,267 |
117,202 |
754,436 |
18,207 |
11 |
83 |
96 |
14,467 |
28,267 |
408,939 |
209,294 |
799,023 |
12 |
58 |
83 |
-10,533 |
15,267 |
-160,807 |
110,944 |
233,081 |
13 |
72 |
58 |
3,467 |
-9,733 |
-33,744 |
12,02 |
94,731 |
14 |
94 |
72 |
25,467 |
4,267 |
108,668 |
648,568 |
18,207 |
15 |
90 |
94 |
21,467 |
26,267 |
563,874 |
460,832 |
689,955 |
16 |
64 |
90 |
-4,533 |
22,267 |
-100,936 |
20,548 |
495,819 |
1028* |
1016 |
0,005 |
0,005 |
1790,138 |
4569,732 |
4812,929 |
* сумма y2 +y3 + … +y16.
Средние значения:
; .
Вычисляем коэффициент автокорреляции 1-го порядка:
Коэффициент автокорреляции 1-го порядка можно найти, используя функцию КОРРЕЛ. Аргументы этой функции заполняются следующим образом:
Массив 1 – первый диапазон, содержащий данные уровней ряда, начиная с первого до предпоследнего (с 1-го по 15-ый);
Массив 2 – второй диапазон, содержащий данные уровней ряда, начиная со второго до последнего (со 2-го по 16-ый, расчет ведется по 15-ти наблюдениям).
Получим коэффициент автокорреляции 1-го порядка: .
Это значение свидетельствует о слабой зависимости текущих уровней ряда от непосредственно им предшествующих уровней.
Далее для нахождения коэффициента автокорреляции 2-го порядка (лаг ), который определяет тесноту связи между уровнями рядаytиyt-2можно воспользоваться формулой, либо вызвать функциюКОРРЕЛ и заполнить ее аргументы:
Массив 1 – первый диапазон, содержащий данные уровней ряда, начиная с 1-го до 14-го;
Массив 2 – второй диапазон, содержащий данные уровней ряда, начиная с 3-го до последнего 16-го (лаг,расчет ведется по 14-ти наблюдениям).
Получим коэффициент автокорреляции 2-го порядка: .
Аналогичным образом, вычислим коэффициент автокорреляции 3-го порядка и выше:
; ;;
; ;.
Для построения коррелограммы обозначим одну десятую часть коэффициента автокорреляции символом звездочка (*). Далее округляя коэффициенты автокорреляции до десятых, получим:
, соответственно рисуем 4 звездочки,
, соответственно рисуем 2 звездочки (знак не учитывается); и т. д.
Автокорреляционная функция и коррелограмма временного ряда товарооборота показана в таблице 3.3.
3. Поскольку самым высоким коэффициентом автокорреляции оказался коэффициент 4-го порядка, , можно сделать вывод о наличии в данном временном ряде сезонных колебаний периодичностью в четыре квартала. Данный вывод подтверждается и анализом графического изображения ряда (см. рисунок 3.1)
Таблица 3.3