- •Методы и модели анализа динамики экономических процессов
- •Введение
- •Лабораторная работа Тема: Анализ временных рядов
- •Общие сведения о временных рядах
- •Показатели временного ряда
- •Основные показатели динамики
- •Предварительный анализ временных рядов
- •Определение наличия тренда
- •Сглаживание временных рядов
- •Метод простой скользящей средней
- •Метод взвешенной скользящей средней
- •Метод экспоненциального сглаживания.
- •Автокорреляционная функция. Коррелограмма
- •Аналитическое выравнивание временных рядов
- •Аддитивная и мультипликативная модели временного ряда
- •Оценка качества построенных моделей
- •Характеристики точности модели
- •Построение точечных и интервальных прогнозов
- •Определение наличия тренда
- •Оценка качества построенной модели
- •Задание
- •Список литературы
- •Приложение 1
- •Приложение 2 Использование фиктивных переменных для анализа временных рядов
- •Содержание
Автокорреляционная функция. Коррелограмма
При наличии во временном ряду тенденции и циклических изменений значения последующего уровня ряда зависят от предыдущих. Зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда.
Количественно ее можно измерить с помощью индекса корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени.
Пусть задан временный ряд: и пусть имеет место линейная корреляция между yt и yt-1.
Определим коэффициент корреляции между рядами уt и уt-1.
Для этого воспользуемся следующей формулой для вычисления корреляции между величинами и
|
(14) |
Полагая = уt-1 и = уt, , получим
, |
(15) |
где . , |
(16) |
Эту величину называют коэффициентом автокорреляции уровней ряда 1-го порядка.
Аналогично определяются коэффициенты автокорреляции второго и более высоких порядков. Так, коэффициент автокорреляции 2-го порядка характеризует тесноту связи между уровнями и и определяется по формуле:
, |
(17) |
где , |
(18) |
Порядок уровня ряда автокорреляции называется лагом.
Для формулы (14) лаг равен единице, для (16) –двум.
Коэффициент автокорреляции порядка в общем случае вычисляют по формуле
|
(19) |
Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда (АКФ). Значения автокорреляционной функции могут колебаться от -1 до +1.
График зависимости ее значений от величины лага называется коррелограммой.
АКФ и коррелограмма позволяют определить лаг, при котором автокорреляция наиболее высокая, а, следовательно, и лаг, при котором связь между текущим и предыдущим уровнями ряда наиболее тесная, т.е. с их помощью можно выявить структуру ряда.
Коэффициент автокорреляции и АКФ целесообразно использовать для выявления во временном ряде наличия или отсутствия трендовой компоненты и циклической компоненты:
если наиболее высоким оказался коэффициент автокорреляции 1-го порядка, то исследуемый ряд содержит только тенденцию;
если наиболее высоким оказался коэффициент автокорреляции k -го порядка, то ряд содержит циклические колебания с периодичностью в k-моментов времени;
если, ни один из коэффициентов не является значимым, то можно сделать одно из двух предположений, относительно структуры этого ряда: либо ряд не содержит тенденции и циклических изменений и имеет структуру, сходную со структурой ряда, изображенного на рис.1.в, либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ.
Аналитическое выравнивание временных рядов
Аналитическое выравнивание временного ряда – метод обработки временного ряда с целью устранения случайных колебаний, путем построения аналитической функции, характеризующей зависимость уровней ряда от времени. Т.е. аналитическая функция описывает трендовую составляющую временного ряда.
Аналитические методы выделения (оценки) тренда реализуются, как правило, с помощью метода наименьших квадратов, в которых в роли зависимой переменной выступает переменная yt, а в роли единственной объясняющей переменной - время t. Для нелинейных зависимостей необходима линеаризация.
Для описания процессов без предела роста (т.е. без видимого ограничения уровней ряда) служат функции, перечисленные в табл.2.
Процессы развития такого типа характерны в основном для абсолютных объемных показателей.
Таблица 2.
-
Исходная функция
линейная
квадратичная
экспоненциальная
показательная
степенная
равносторонняя гипербола
Для описания процессов с пределом роста служат функции: кривая Джонсона, модифицированная экспонента и др.[7].
Процессы с пределом роста характерны для многих относительных показателей (душевое потребление продуктов питания, внесение удобрений на единицу площади, затраты на один рубль произведенной продукции и т.п.).
Для описания процессов третьего типа - с пределом роста и точкой перегиба используются кинетическая кривая (кривая Перла - Рида) и кривая Гомперца [7].
Такой тип развития характерен для спроса на некоторые новые товары.
Математические методы позволяют представить прогнозирующую модель в виде полинома любого порядка. Однако без необходимости использование полиномов высокого порядка представляется излишним.
Выбор функции тренда можно провести несколькими способами. Простейшим способом является визуальный, при котором вид функции определяется с помощью вида графика зависимости уровня ряда –yt от времени t.
Другим способом является анализ показателей роста и прироста (табл.1). Если первые разности примерно одинаковы, то целесообразно использовать линейную функцию для описания тенденции. Если примерно равны вторые разности или абсолютное ускорение , то используем квадратичную функцию. Если примерно постоянен коэффициент роста для t-го периода: то можно использовать экспоненциальную или степенную функции.