1.7 Аддитивная и мультипликативная модели временного ряда

Существует несколько подходов к анализу структуры временных рядов, содержащих сезонные или циклические колебания.

Простейший подход- расчет значений сезонной компоненты методом скользящей средней и построение аддитивной или мультипликативной модели временного ряда. Общий вид аддитивной модели следующий:

Эта модель предполагает, что каждый уровень временного ряда может быть представлен как произведение трендовой, сезонной и случайной компонент. Общий вид мультипликативной модели выглядит так:

Эта модель предполагает, что каждый уровень временного ряда может быть представлен как произведение трендовой, сезонной и случайной компонент. Выбор одной из двух моделей осуществляется на основе анализа структуры сезонных колебаний. Если амплитуда колебаний приблизительно постоянна, строят аддитивную модель временного ряда, в которой значения сезонной компоненты предполагаются постоянными для различных циклов. Если амплитуда сезонных колебаний возрастает или уменьшается, строят мультипликативную модель временного ряда, которая ставит уровни ряда в зависимость от значений сезонной компоненты.

Построение аддитивной и мультипликативной моделей сводится к расчету значений трендовой, циклической и случайной компонент для каждого уровня ряда.

Процесс построения модели включает в себя следующие шаги.

1. Выравнивание исходного ряда методом скользящей средней.

2. Расчет значений сезонной компоненты.

3. Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных в аддитивной или мультипликативной модели.

4. Аналитическое выравнивание уровней и расчет значений тренда с использованием полученного уравнения тренда.

5. Расчет полученных по модели значений или

6. Расчет абсолютных и относительных ошибок.

Если полученные значения ошибок не содержат автокорреляции, ими можно заменить исходные уровни ряда и в дальнейшем использовать временной ряд ошибок для анализа взаимосвязи исходного ряда и других временных рядов.

После удаления тенденции (тренда) из временного ряда мы получим стационарный временной ряд. Его можно рассматривать как выборку Т последовательных наблюдений через равные промежутки времени из существенно более продолжительной (генеральной последовательности случайных величин. При этом статистические выводы делаются относительно вероятностной структуры генеральной последовательности. Такую последовательность удобно считать простирающейся неограниченно в будущее и, возможно, в прошлое. Последовательность случайных величин у 1 , у 2 , . . . или. . ., у -1 , у 0 , у 1 , . . . называется случайным процессом с дискретным параметром времени.

Несмотря на полную произвольность вероятностных моделей последовательностей случайных величин, полезно отличать случайные процессы от множества случайных величин этого процесса, учитывая понятие времени. Грубо говоря, в случайном процессе наблюдения, разделённые небольшими промежутками времени, близки по значениям в отличие от наблюдений, далеко отстоящих друг от друга во времени. Более того, модель значительно упрощается после расширения конечной последовательности наблюдений до бесконечной.

Одним из таких упрощений является свойство стационарности . Будем считать, что поведение множества случайных величин с вероятностной точки зрения не зависит от времени.

Случайный процесс y(t) с непрерывным параметром времени можно определить для 0 ≤ t < ∞ или -∞ < t < ∞ и рассматривать с привлечением вероятностной меры на пространстве функций y(t). Выборка из такого процесса состоит из наблюдений в конечном числе точек времени, или из непрерывных наблюдений в интервале времени.

Наблюдение процесса, часто называемое реализацией , есть точка в соответствующем бесконечномерном пространстве, где определена вероятностная мера. Вероятность определяется на некоторых множествах, называемых измеримыми. Этот класс множеств включает вместе с любым множеством его дополнение, а также объединение и пересечение счётного числа множеств этого класса; вероятностная мера на этом классе множеств определяется таким образом, что вероятность объединения непересекающихся множеств равна сумме вероятностей отдельных множеств.

Практически мы интересуемся вероятностями, которые связаны с конечным числом случайных величин. Эти вероятности включают в себя функцию совместного распределения.

1.9 Применение быстрого преобразования Фурье к стационарному временному ряду

Одно из назначений преобразования Фурье- выделять частоты циклических составляющих временного ряда, содержащего случайную компоненту.

Пусть число данных N представимо в виде N = N 1 N 2 . Тогда можно записать

t = t 1 + (t 2 -1)N 1 , t 1 = 1, . . ., N 1 , t 2 = 1, . . ., N 2 ;

j = j 1 + j 2 N 2 , j 1 = 0, . . ., N 2 – 1 , j 2 = 0, . . ., N 1 - 1;

Отметим, что a N – j = a j и b N – j = - b j . Искомые коэффициенты являются соответственно действительной и мнимой частями суммы:

Для их отыскания вычислим сначала величины

Для каждой пары (j 1 , t 1) , j 1 = 0, . . ., N 2 – 1 и t 1 = 0, . . ., N 1 . Поскольку

и ,

то существует около N 1 N 2 /2 = N/2 таких пар. После этого находятся действительная и мнимая части суммы (1.9.1):

для j = 0,1, . . ., . Число операций умножения приближённо равно N 2 N в первых суммах и 2N 1 N во вторых суммах, так что число операций умножения в целом составляет примерно N (N 2 + 2N 1). В то же время число произведений в определении коэффициентов a j и b j , j=0,1, . . ., примерно равно N 2 . ,

Для каждого момента (периода) времени t = 1: N значение компоненты e t для аддитивной модели определяется как

, - сумма циклической и трендовой компонент, а для мультипликативной модели: - произведение циклической и трендовой компонент.

Ошибки измерений нам неизвестны, а известны лишь эмпирические остатки.

Рассматривая последовательность остатков как временной ряд, можно построить график их зависимости от времени. В соответствии с предпосылками метода наименьших квадратов остатки e t должныбыть случайными. Однако при моделировании временных рядов часто встречаются ситуация, когда остатки содержат тенденцию или циклические колебания. Это свидетельствует о том, что каждое следующее значение остатков зависит от предшествующих. В этом случае говорят о наличии автокорреляции остатков.

Автокорреляция остатков может быть вызвана следующими причинами, имеющими различную природу. Во-первых , иногда она связана с исходными данными и вызвана наличием ошибок измерения в значениях результативного признака. Во-вторых , в ряде случаев причину автокорреляции остатков следует искать в формулировке модели. Модель может не включать фактор, существенное воздействие на результат, влияние которого отражается в остатках, вследствие чего последние могут оказаться автокоррелированными. Очень часто этим фактором является фактор времени t. Кроме того, в качестве таких существенных факторов могут выступать лаговые значения переменных, включённых в модель.

Либо модель не учитывает несколько второстепенных факторов, совместное влияние которых на результат существенно в виду совпадения тенденций их изменения или фаз циклических колебаний.

Существует два наиболее распространённых метода определения автокорреляции остатков. Первый метод – это построение графика зависимости остатков от времени и визуальное определение наличия или отсутствия автокорреляции. Второй метод – использование критерия Дарбина – Уотсона.

Дж. Дарбин и Г. Уотсон построили таблицы, дающие нижние и верхние пределы порогов значимости. Эти таблицы достаточны для большинства конкретных ситуаций. Рассмотрим логические основания критерия.

Выражение

(1.10.1)

представляет собой «отношение фон Неймана», применённое к остаткам оценки. Этот критерий имеет эффективность аналогичную таковой для критерия r 1 , первого коэффициента автокорреляции остатков. Из предыдущей главы известно, что этот критерий будет особенно мощным, если ошибки следуют авторегрессинному процессу первого порядка. Таким образом, он, по-видимому, хорошо приспособлен для экономических моделей.

Понятие сезонных колебаний и сезонной составляющей

Методы распознавания типа тренда и оценки его параметров

Основные типы трендов

Виды и построение временных рядов

ТЕМА 6. ВРЕМЕННЫЕ РЯДЫ. ОСНОВНЫЕ ТИПЫ ТРЕНДОВ

План лекции:

Эконометрическую модель можно построить, используя 2 типа исходных данных:

1. данные, характеризующие совокупность различных объектов в определенный момент (периоды времени). Модели, построенные по этим данным, называются пространственными.

2. данные, характеризующие один объект за ряд последовательных периодов времени. Модели, построенные по этим данным, называются моделями временных рядов

В литературе встречаются также понятия ряда динамики или динамические ряды. Данные термины несколько отличаются по сущности от понятия временной ряд , поскольку не каждый ряд уровней за последовательные периоды времени на самом деле содержат динамику какого - либо показателя.

Термин динамика правильнее относить к изменениям, направленному развитию, наличию тенденций рассматриваемых показателей. Следовательно, временной ряд – это более общее понятии, включающее, как динамические, так и статистические последовательности уровней какого-либо показателя.

Временной ряд – это последовательность упорядоченных во времени числовых показателей, характеризующих уровень состояния и изменения изучаемого явления.

Классификация временных рядов.

Каждый временной ряд включает 2 обязательных элемента:

2. конкретное значение показателей (уровень ряда)

Временной ряд различаю по следующим признакам:

1. повремени:

а) моментный ряд, характеризующий изучаемое явление в конкретный момент времени

б) интервальный, т.е., уровень ряда, характеризующий признак за определенный период времени

2. по форме представления:

а) абсолютных величин

б) относительных величин

в) средних величин

3. по расстоянию между датами или интервалами времени:

а) полные ряды, когда даты следуют друг за другом с равными интервалами-

б) неполные.

а) частных показателей, характеризующих явления односторонне, изолированных

б) ряды агрегированных показателей, т.е. характеризующих явления комплексно.

Каждый уровень временного ряда формируется под воздействием большого числа факторов. Условно их можно подразделить на 3 группы:

1) факторы, формирующие тенденцию ряда

2) факторы, формирующие цикличность колебаний ряда

3) случайные факторы

При статистическом изучении динамики, необходимо четко разделять 2 основных ее элемента:

1) тенденцию

2) колеблемость,

чтобы с помощью специальных показателей дать каждому из них, количественную характеристику

Колеблемость – это отклонение уровней отдельных периодов времени от тенденции динамики.

Тренд – это устойчивая тенденция во временном ряду, более или менее свободная от случайных колебаний.

Тенденции изменения показателей сложных общественных явлений только приближенно можно выразить тем или иным уравнением, линией тренда.

Во временных рядах обычно различают тенденции трех видов.

Тенденция среднего уровня выражается обычно с помощью ма­тематического уравнения линии, вокруг которой варьируют фактические уровни исследуемого явления. Уравнение имеет следующий вид: ƒ.

Смысл этой функции заключается в том, что значения тренда в отдельные моменты времени выступают математически­ми ожиданиями ряда динамики.

Тенденция дисперсии характеризует тенденцию изменения отклонений между эмпирическими уровнями и детерминированной компонентой ряда.

Тенденция автокорреляции характеризует связь между отдельными уровнями ряда динамики.

Общие составляющие компоненты временного ряда y или :

: Регулярная (основная) ком­понента, характе­ризующая общую тенденцию ряда (тренд)

v:Сезонная компо­нента (внутригодичные колеба­ния) в общем ви­де - циклическая составляющая

e: Случайная ком­понента (случай­ные отклонения).

Как видим, все компоненты, которые формируют уровень временного ряда, подразделяются на три группы. Основной со­ставляющей является тренд. Значения сезонной и случайной компонент остаются после выделения из него трендовой состав­ляющей.

Если все составляющие компоненты найдены верно, то ма­тематическое ожидание случайной компоненты равно нулю и ее колебания около среднего значения постоянны.

При различных сочетаниях в изучаемом явлении этих элементов, временной ряд может иметь различные формы:

1) большинство временных рядов имеет тенденцию, характеризующую совокупное долговременное воздействие множества факторов на динамику изучаемого показателя. Данные факторы, взятые в отдельности могут оказывать разнонаправленные воздействия, однако в совокупности они формируют его возрастающую или убывающую тенденцию.

2) изучаемые показатели могут быть подвержены циклическим колебаниям, они могут носить сезонный характер.

3) Некоторые временные ряды не содержат тенденции и циклические компоненты, а каждый их следующий уровень образуется, как сумма среднего уровня ряда и некоторые случайные компоненты.

В реальных условиях временной ряд содержит чаще всего 3 компонента и каждый уровень ряда формируется под воздействием тенденции, сезонных колебаний, и случайной компоненты.

Уровни временного ряда можно представить как сумму или произведение всех его составляющих компонент (трендовой, сезонной и случайной). Модель, в которой все компоненты ряда представлены как сумма этих составляющих, называют ад­дитивной. Если факторы влияния представлены как произведе­ние составляющих, то модель называют мультипликативной.

Основной задачей эконометрики при исследовании временного рядя является количественное выражение каждой из вышеперечисленных компонент для дальнейшего использования полученной информации. (для прогнозирования будущих значений ряда или построения модели двух или более временных рядов).

О качестве моделей регрессии можно судить также по значениям коэффициента корреляции (индекса корреляции) и коэффициента детерминации для однофакторной модели и по значениям коэффициента множественной корреляции и совокупного коэффициента детерминации для моделей множественной регрессии.

Чем ближе абсолютные величины указанных коэффициентов к 1, тем теснее связь между изучаемым признаком и выбранными факторами и, следовательно, с тем большей уверенностью можно судить об адекватности построенной модели, включающей в себя наиболее влияющие факторы.

Для оценки точности регрессионных моделей обычно используются те же статистические критерии точности, что и для трендовых моделей, в частности, средняя относительная ошибка аппроксимации. Проверка значимости модели регрессии проводится с использованием F-критерия Фишера, расчетное значение которого находится как отношение дисперсии исходного ряда наблюдений изучаемого показателя и несмещенной оценки дисперсии остаточной последовательности для данной модели. Если расчетное значение этого критерия со степенями свободы vi = ra-lHV2 = ra-m-l, где п - количество наблюдений и т - число включенных в модель факторов, больше табличного значения критерия Фишера при заданном уровне значимости, то модель признается значимой.

Привести формулы для получения точечной (интервальной) оценки прогнозного значения изучаемого показателя.

Что называется временным рядом, уровнем временного ряда?

Временно́й ряд (или ряд динамики) - собранный в разные моменты времени статистический материал о значении каких-либо параметров (в простейшем случае одного) исследуемого процесса. Каждая единица статистического материала называется измерением или отсчётом, также допустимо называть его уровнем на указанный с ним момент времени. Во временном ряде для каждого отсчёта должно быть указано время измерения или номер измерения по порядку. Временной ряд существенно отличается от простой выборки данных, так как при анализе учитывается взаимосвязь измерений со временем, а не только статистическое разнообразие и статистические характеристики выборки

Временным рядом называется ряд наблюдаемых значений изучаемого показателя, расположенных в хронологическом порядке или в порядке возрастания времени.

Отдельно взятый временной ряд можно представить как выборочную совокупность из бесконечного ряда значений показателей во времени.

Временной ряд – это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени. Каждый уровень временного ряда формируется под воздействием большого числа факторов, которые условно можно подразделить на три группы:

факторы, формирующие тенденцию ряда;

факторы, формирующие циклические колебания ряда;

случайные факторы

Уровнями временного ряда называются наблюдения

из которых состоит данный ряд.

Временной ряд называется моментным рядом , если уровень временного ряда фиксирует значение изучаемого показателя на определённый момент времени.

Временной ряд называется интервальным рядом , если уровень временного ряда характеризует значение показателя за определённый период времени.

Временной ряд называется производным рядом , если уровни ряда представлены в виде производных величин (средних или относительных показателей).

Исследование данных, представленных в виде временных рядов, преследует две основные цели:

1) характеристика структуры временного ряда;

2) прогнозирование будущих уровней временного ряда на основании прошлых и настоящих уровней.

Достижение поставленных целей возможно с помощью идентификации модели временного ряда.

Идентификацией модели временного ряда называется процесс выявления основных компонент, которые содержит изучаемый временной ряд.

Временные ряды могут содержать два вида компонент – систематическую и случайную составляющие.

Систематическая составляющая временного ряда является результатом воздействия постоянно действующих факторов.

Выделяют три основных систематических компоненты временного ряда:

2) сезонность;

3) цикличность.

Трендом называется систематическая линейная или нелинейная компонента, изменяющаяся во времени.

Сезонностью называются периодические колебания уровней временного ряда внутри года.

Цикличностью называются периодические колебания, выходящие за рамки одного года. Промежуток времени между двумя соседними вершинами или впадинами в масштабах года определяют как длину цикла.

Какова цель построения и анализа временных рядов.

Практическое изучение временного ряда предполагает выявление свойств ряда и получение выводов о вероятностном механизме, порождающем этот ряд. Основные цели при изучении временного ряда следующие:

– описание характерных особенностей ряда в сжатой форме;

– построение модели временного ряда;

– предсказание будущих значений на основе прошлых наблюдений;

– управление процессом, порождающим временной ряд, путем выборки сигналов, предупреждающих о грядущих неблагоприятных событиях.

Достижение поставленных целей возможно далеко не всегда как из-за недостатка исходных данных (недостаточная длительность наблюдения), так из-за изменчивости со временем статистической структуры ряда.

Перечисленные цели диктуют в значительной мере, последовательность этапов анализа временных рядов:

Графическое представление и описание поведения ряда;

Выделение и исключение закономерных, неслучайных составляющих ряда, зависящих от времени;

Исследование случайной составляющей временного ряда, оставшейся после удаления закономерной составляющей;

Построение (подбор) математической модели для описания случайной составляющей и проверка ее адекватности;

Прогнозирование будущих значений ряда.

При анализе временных рядов используются различные методы, наиболее распространенными из которых являются:

Корреляционный анализ, используемый для выявления характерных особенностей ряда (периодичностей, тенденций и т. д.);

спектральный анализ, позволяющий находить периодические составляющие временного ряда;

Методы сглаживания и фильтрации, предназначенные для преобразования временных рядов с целью удаления высокочастотных и сезонных колебаний;

Методы прогнозирования.

Анализ временных рядов - это анализ, основанный на исходном предложении, согласно которому случившееся в прошлом служит достаточно надежным указанием на то, что произойдет в будущем. Это также можно назвать проектированием тенденций.

Существует две основные цели анализа временных рядов : определение природы ряда и прогнозирование , т.е. предсказание будущих значений временного ряда по настоящим и прошлым значениям. Обе цели требуют, чтобы модель ряда была определена и более или менее формально описана. Как только модель определена, с ее помощью можно интерпретировать рассматриваемые данные - например, использовать ее для анализа наличия сезонного изменения цен на товары. Затем можно экстраполировать ряд на основе найденной модели, т.е. предсказать его будущие значения.

Указать общий вид и область применения модели аддитивной модели временного ряда.

Модели , где временной ряд представлен в виде суммы перечисленных компонентов называются аддитивными , если в виде произведения – мультипликативными моделями . Аддитивная модель имеет вид: Y = T + S + E.

Общий вид аддитивной модели следующий:

Эта модель предполагает, что каждый уровень временного ряда может быть представлен как сумма трендовой (T), сезонной (S) и случайной (E) компонент.

Аддитивная модель применима в тех случаях, когда анализируемый временной ряд имеет приблизительно одинаковые изменения на протяжении всей длительности ряда.

Наиболее фундаментальной является классическая мультипликативная модель временного ряда, широко используемая при анализе ежемесячных, ежеквартальных и ежегодных данных и потому чаще всего применяемая в экономических исследованиях.

Определить параметры аддитивной модели: тренд, сезонная компонента, ошибка модели.

Компоненты временного ряда

Уровни временного ряда являются суммой двух составляющих:

систематической (детерминированной, регулярной)

случайной (нерегулярной, непредсказуемой), не зависящей от времени

Регулярная составляющая, в общем случае, может складываться из тренда, циклической компоненты и сезонной компоненты. Однако, регулярная составляющая не обязательно должна включать все три компоненты.

Случайная (нерегулярная) компонента. Экономисты разделяют факторы, под действием которых формируется нерегулярная компонента, на 2 вида:

факторы резкого, внезапного действия;

текущие факторы.

Первый тип факторов (например, стихийные бедствия, эпидемии и др.), как правило , вызывает более значительные отклонения по сравнению со случайными колебаниями - иногда такие отклонения называют катастрофическими колебаниями.

Факторы второго типа вызывают случайные колебания, являющиеся результатом действия большого числа побочных причин. Влияние каждого из текущих факторов незначительно, но ощущается их суммарное воздействие.

Цель сезонной декомпозиции и корректировки временного ряда состоит в том, чтобы разложить ряд на составляющие: тренд, сезонную компоненту и нерегулярную составляющую.

В общем случае временной ряд можно представить из четырех различных компонент:

сезонной компоненты (обозначается St, где t обозначает момент времени)

тренда (Tt)

циклической компоненты (Ct)

случайной, нерегулярной компоненты (Et)

Разница между циклической и сезонной компонентой состоит в том, что последняя имеет регулярную (сезонную) периодичность, тогда как циклические факторы обычно имеют более длительный эффект, который, к тому же, меняется от цикла к циклу. Тренд и циклическую компоненту обычно объединяют в одну тренд-циклическую компоненту (TtCt) (для простоты обозначений далее TtCt->Tt). Конкретные функциональные взаимосвязи между этими компонентами могут иметь самый разный вид. Однако можно выделить два основных способа, с помощью которых они могут взаимодейс твовать - аддитивно и мультипликативно:

Аддитивная модель: Уt = TCt + St + Et

Мультипликативная модель: Уt = Tt*Ct*St*Et

Модель смешанного типа: Уt = Tt*Ct*St+Et

Выбор одной из трех моделей осуществляется на основе анализа структуры сезонных колебаний. Если амплитуда колебаний приблизительно постоянна, строят аддитивную модель временного ряда, в которой значения сезонной компоненты предполагаются постоянными для различных циклов. Если амплитуда сезонных колебаний возрастает или уменьшается, строят мультипликативную модель временного ряда, которая ставит уровни ряда в зависимость от значений сезонной компоненты. Построение аддитивной и мультипликативной моделей сводится к расчету значений T , S и E для каждого уровня ряда. Процесс построения модели включает в себя следующие шаги:

Выравнивание исходного ряда методом скользящей средней .

Расчет значений сезонной компоненты S .

Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных (Y - S=T + E) в аддитивной или (Y: S=T * E) в мультипликативной модели.

Аналитическое выравнивание уровней (T + E) или (T * E) и расчет значений T с использованием полученного уравнения тренда.

Расчет полученных по модели значений (T + E) или (T * E).

Расчет абсолютных и/или относительных ошибок. Если из временного ряда удалить тренд (Tt) и периодические составляющие (Ct и St), то останется нерегулярная компонента (Et), так называемая, ошибка. Если полученные значения ошибок не содержат автокорреляции, ими можно заменить исходные уровни ряда и в дальнейшем использовать временной ряд ошибок (Et) для анализа взаимосвязи исходного ряда и других временных рядов.

Скользящее среднее

Прежде, чем рассчитывать сезонную компоненту (S), исходный временной ряд необходимо выровнять. Для этого применяются методы механического выравнивания, к которым относятся:

метод скользящих средних;

метод экспоненциального сглаживания;

метод медианного сглаживания и др.

Вычисляя скользящее среднее для временного ряда, интервал сглаживания (ширина окна) берется равным периоду сезонности. Если период сезонности - четное число, можно выбрать одну из двух возможностей:

в случае взвешенного скользящего среднего, брать скользящее среднее с одинаковыми весами или же с неравными весами так, что первое и последнее наблюдения в окне имеют усредненные веса.

в случае простого скользящего среднего, необходимо провести процедуру центрирования, которая заключается в повторном скольжении с шагом, равным двум. Число уровней сглаженного ряда будет меньше на величину шага скользящей средней.

После определения скользящих средних вся сезонная (т.е. внутри сезона) изменчивость будет исключена и поэтому разность (в случае аддитивной модели) или отношение (для мультипликативной модели) между наблюдаемым (Yi) и сглаженным рядом (Ŷt) будет выделять сезонную составляющую плюс нерегулярную компоненту.

Таким образом, результатом процедуры сглаживания будет временной ряд выровненных значений Ŷt, не содержащий сезонной компоненты. То есть: ряд скользящих средних вычитается из наблюдаемого ряда (Yi-Ŷt) (в аддитивной модели) или же значения наблюдаемого ряда делятся на значения скользящих средних (Yi:Ŷt) (в мультипликативной модели).

Сезонная составляющая

На следующем шаге вычисляется сезонная составляющая, как среднее (для аддитивных моделей) или урезанное среднее (для мультипликативных моделей) всех значений ряда, соответствующих данной точке сезонного интервала по аналогичным временным периодам, с последующей сезонной корректировкой ряда.

Если временной ряд представлен аддитивной моделью, то в качестве сезонной компоненты (составляющей) используется показатель абсолютного отклонения – SΔi (S->SΔi). Сумма всех сезонных компонент, т.е. показателей абсолютных отклонений SΔi должна быть равна нулю.

Если временной ряд представлен мультипликативной моделью, то в качестве сезонной компоненты используется индекс сезонности – Isi (S->Isi). Среднее всех сезонных компонент, т. е. индексов сезонности Isi, должно быть равно единице.

Обычно сумма индексов се­зонности хотя и незначительно, но отличается от 4 (для четырех кварталов сумма индексов должна быть равна 4, для года - 12, а их средняя рав­на 1,00), то для устранения этих расхождений определяется попра­вочный коэффициент как отношение теоретической суммы ин­дексов (4,0) к фактической величине их суммы.

Показатель абсолютного отклонения в i-том сезоне рассчитывается как среднее арифметическое из отклонений фактического и выровненного уровней временного ряда:

Индекс сезонности в i-том сезоне рассчитывается как среднее арифметическое из отношений фактического уровня временного ряда к выровненному:

Если, при построении аддитивной модели временного ряда, сумма всех абсолютных отклонений не равна нулю, то рассчитываются скорректированные значения сезонных компонент по формуле:

где L – общее количество сезонных компонент (уровни временного ряда могут быть представлены в виде квартальных показателей, либо детализированы по месяцам за весь временной отрезок). При этом, для определения среднего значения отклонений для соответствующего периода, все отклонения необходимо сгруппировать (соответственно, по аналогичным кварталам или месяцам каждого года) и только потом определить среднюю величину отклонений, на которую и будет произведена корректировка. В мультипликативной модели это выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна числу периодов в цикле. В случае с поквартальным представлением уровней временного ряда, число периодов одного цикла равно 4.

Уровни исходного временного ряда корректируются на величину сезонной компоненты следующим образом:

1) для аддитивной модели: из исходных уровней вычитаются скорректированные показатели абсолютных отклонений

SΔi (S->SΔi) (Уt=TtCt+St+Et отсюда: Y - SΔскорр.=T+E)

2) для мультипликативной модели: уровни исходного временного ряда делятся на скорректированные индексы сезонности

Isi (S->Isi) (Уt=Tt*Ct*St*Et отсюда: Y: Isскорр.=T*E)

(Смотри на примере: Сезонная корректировка временного ряда)

На следующем этапе построения модели временного ряда осуществляется расчёт трендовой компоненты с помощью метода аналитического выравнивания функциями времени y=f(t) или кривыми роста. Данный метод выравнивания применяют не к исходному временному ряду, а к временному ряду с исключённой сезонной компонентой. Эти значения рассчитываются за каждый момент времени и содержат только тенденцию (T) и случайную компоненту (E).

Тренд-циклическая компонента

Циклическая компонента отличается от сезонной компоненты тем, что продолжительность цикла больше, чем один сезонный период (год) и разные циклы могут иметь разную продолжительность. Периодическая компонента рассматривается как долговременное колебательное изменение уровней - долгопериодическая функция. Примерами долговременной циклической компоненты могут служить демографические, инвестиционные и другие циклы; соответствующая реакция экономики страны, находящейся в определенной фазе своего развития: I – фаза кризиса; II – фаза депрессии; III – фаза оживления; IV – фаза подъема и стабилизации. Теория циклического развития создает основу для преодоления экстраполяционных подходов в построении прогнозов, для достоверного учета нелинейности экономической динамики. Ориентация на цикличный характер развития способствует верному выявлению и отражению в прогнозах предстоящих критических или поворотных точек в трендовом движении.

Развитие цивилизаций Случайная или нерегулярная компонента

На последнем шаге выделяется случайная или нерегулярная компонента (погрешность, шум, ошибка) путем вычитания из ряда с сезонной поправкой (аддитивная модель) или делением этого ряда (мультипликативная модель) на тренд-циклическую компоненту.

Привести схему построения аддитивной модели временного ряда.

Алгоритм построения аддитивной модели

Построение аддитивной моделей сводится к расчету значений T, S и E для каждого уровня ряда.

3 Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных (T + E).

4 Аналитическое выравнивание уровней (T + E) с использованием полученного уравнения тренда.

5 Расчет полученных по модели значений (T + E).

Указать формулу расчета прогнозного значения по аддитивной модели временного ряда.

Прогнозирование по аддитивной модели. Прогнозное значение Ft уровня временного ряда в аддитивной модели есть сумма трендовой и сезонной компонент

Прогнозные значения по модели с аддитивной компонентой рассчитываются как

F = Т + S+/-E (тыс. шт. за квартал),

где трендовое значение Т, сезонная компонента S , Е - ошибка прогноза

Привести схему построения мультипликативной модели временного ряда .

Алгоритм построения мультипликативной модели

Построение мультипликативной моделей сводится к расчету значений T, S и E для каждого уровня ряда.

Процесс построения модели включает в себя следующие шаги.

1 Выравнивание исходного ряда методом скользящей средней.

2 Расчет значений сезонной компоненты S.

3 Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных (T x E).

4Аналитическое выравнивание уровней (T x E) с использованием полученного уравнения тренда.

5 Расчет полученных по модели значений (T x E).

6 Расчет абсолютных и/или относительных ошибок. Если полученные значения ошибок не содержат автокорреляции, ими можно заменить исходные уровни ряда и в дальнейшем использовать временной ряд ошибок E для анализа взаимосвязи исходного ряда и других временных рядов.

Указать формулу расчета прогнозного значения по мультипликативной модели временного ряда.

Прогнозирование по мультипликативной модели. Прогнозное значение Ft уровня временного ряда в мультипликативной модели есть сумма трендовой и сезонной компонент. Для мультипликативной модели фактическое значение рассчитывается по формуле:

Расчет фактического значения в мультипликативной модели

Т - трендовое значение S - сезонная вариация Е - ошибка прогноза

Описать схему построения модели прогнозирования на основе временных рядов при отсутствии сезонных колебаний.

Какие формулы расчета точечной и интервальной оценки прогнозного значения применяются в модели временного ряда при отсутствии сезонных колебаний?

В чем заключаются ошибки 1-го и 2-го рода временного ряда

Временной ряд - это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени.

Временной ряд называется моментным рядом, если уровень временного ряда фиксирует значение изучаемого показателя на определённый момент времени.

Временной ряд называется интервальным рядом, если уровень временного ряда характеризует значение показателя за определённый период времени.

Временной ряд называется производным рядом, если уровни ряда представлены в виде производных величин (средних или относительных показателей).

Показатели временных рядов формируются под совокупным влиянием множества длительно и кратковременно действующих факторов и, в том числе, различного рода случайностей.

Временные ряды могут содержать два вида компонент - систематическую и случайную составляющие. Систематическая составляющая временного ряда является результатом воздействия постоянно действующих факторов.

Выделяют три основных систематических компоненты временного ряда:

• · тренд;
• · сезонность;
• · цикличность.

Трендом называется систематическая линейная или нелинейная компонента, изменяющаяся во времени.

Сезонностью называются периодические колебания уровней временного ряда внутри года.

Цикличностью называются периодические колебания, выходящие за рамки одного года. Промежуток времени между двумя соседними вершинами или впадинами в масштабах года определяют как длину цикла.

Систематические составляющие характеризуются тем, что они могут одновременно присутствовать во временном ряду.

Случайной составляющей называется случайный шум или ошибка, которая воздействует на временной ряд нерегулярно.

К основным причинам, по которым возникает случайный шум, относят факторы резкого и внезапного действия, а также действия текущих факторов.

Катастрофическими колебаниями называется случайный шум, в основе возникновения которого лежат факторы резкого и внезапного действия.

Шум, в основе возникновения которого лежит действие текущих факторов, может быть связан также с ошибками наблюдений.

Отдельный уровень временного ряда обозначается как. Его можно представить в виде функции от основных компонент временного ряда следующим образом:

где T - это трендовая компонента,

S - это сезонная компонента,

C - это циклическая компонента,

е - случайный шум.

Существует несколько основных моделей временных рядов, к которым относятся:

1. аддитивная модель временного ряда, в которой компоненты представляют собой слагаемые:

2. мультипликативная модель временного ряда, в которой компоненты представляют собой сомножители:

3. комбинированная модель временного ряда:

Важнейшим условием правильного построения ряда динамики является сопоставимость всех входящих в него уровней. Данное условие решается либо в процессе сбора и обработки данных, либо путем их пересчета.

Проблема сопоставимости данных особенно остро стоит в рядах динамики, потому что они охватывают значительные периоды времени, за которые могли произойти изменения, приводящие к несопоставимости статистических данных.

Несопоставимость уровней ряда динамики может быть по следующим причинам:

• - Изменение единиц измерения или единиц счета. Нельзя, например, сравнивать и анализировать цифры о производстве тканей, если за одни годы цифры даны в погонных метрах, а за другие - в квадратных метрах.
• - Изменение методологии учета или расчета показателей. Например, если в одни годы среднюю урожайность считали с засеянной площади, а в другие - с убранной, то такие уровни будут несопоставимы.
• - Отсутствие периодизация динамики: научный подход к изучению рядов динамики заключается в выделении однородных этапов развития рядов динамики.
• - Отсутствие у интервалов или моментов, по которым определены уровни, одинакового экономического смысла.
• - Отсутствие наличия равных интервалов, по которым даны уровни: нельзя сравнивать квартальную продукцию с годовой.
• - Отсутствие равенства круга охватываемых объектов вследствие перехода ряда объектов из одного подчинения в другое.
• - Изменение территориальных границ областей, районов и т.д.

Для того чтобы привести уровни ряда динамики к сопоставимому виду, иногда приходится прибегать к приему, который называется «смыкание рядов динамики». Под смыканием понимают объединение в один ряд (более длинный) двух или нескольких рядов динамики, уровни которых исчислены по разной методологии или разным территориальным границам. Для осуществления смыкания необходимо, чтобы для одного из периодов (переходного) имелись данные, исчисленные по разной методологии (или в разных границах).

Смыкание рядов динамики.

Изучим смыкание рядов динамики напримере условных данных:

До 2007 года в производственное объединение входили два предприятия. В 2007 г в него влилось еще одно предприятие. Показать изменение товарной продукции по объединению за 2004-2009 гг., используя следующие данные:

Таблица 1.1

Выпуск товарной продукции по объединению за 2004-2009 гг.

Уровни имеющихся двух рядов несопоставимы, так как исчислены в разных территориальных границах. Чтобы уровни обоих рядов были сопоставимы, пересчитаем данные 2004-2006 гг. для новых территориальных границ. Для этого на основе данных об объёме товарной продукции за 2007 год в старых и новых территориальных границах находим соотношение между ними.

Умножая на полученный коэффициент данные за 2004-2006 гг., приводим их таким образом в сопоставимый вид с последующими уровнями

Применив этот способ, получим ряд динамики, характеризующий объём товарной продукции по объединению за 2004-2009 гг.:

Таблица 1.2

Объём товарной продукции по объединению за 2004-2009 гг.

По полученным данным видно, как изменяется выпуск товарной продукции по объединению за 2004-2009 гг.

Приведение рядов динамики к одному основанию.

Проблема приведения к сопоставимому виду возникает и при параллельном анализе развития во времени экономических показателей отдельных стран, территориальных и административных районов или же социально-экономических явлений. В таких случаях ряды динамики приводятся к одному основанию, т.е. к одному и тому же периоду или моменту времени, уровень которого принимается за базу сравнения (за 1 или 100%), а все остальные уровни выражаются в форме коэффициентов или процентов по отношению к нему.

Рассмотрим приведение рядов динамики одному основанию на примере:

Имеются данные о производстве чугуна в Беларуси и России за 2005 - 2011 гг.

Таблица 1.3

Производство чугунного литья за 2005-2011 гг., тысяч тонн.

100 р бонус за первый заказ Выберите тип работы Дипломная работа Курсовая работа Реферат Магистерская диссертация Отчёт по практике Статья Доклад Рецензия Контрольная работа Монография Решение задач Бизнес-план Ответы на вопросы Творческая работа Эссе Чертёж Сочинения Перевод Презентации Набор текста Другое Повышение уникальности текста Кандидатская диссертация Лабораторная работа Помощь on-line Узнать цену Временной ряд – это набор наблюдений, упорядоченных во времени. Классификация временных рядов 1. Моментные и интервальные временные ряды Моментным рядом называется такой ряд, уровни которого характеризуют состояние явления на определенные даты (моменты времени).Примерами моментных рядов могут быть последовательность показателей численности населения на начало года, поголовье скота в фермерских хозяйствах на 1 декабря или 1 июня за несколько лет, величина запаса какого-либо материала на начало периода и т.д. Интервальный (периодический) временной ряд – последовательность, в которой уровень явления относят к результату, накопленному или вновь произведенному за определенный интервал времени. Таковы, например, ряды показателей объема продукции предприятия по месяцам года, количества отработанных человеко-дней по отдельным периодам (месяцам, кварталам, полугодиям, годам, пятилетиям и т.п.) и т.д. Также примером такого ряда могут служить данные о динамике добычи нефти в Российской Федерации. Полные и неполные временные ряды Ряды следующих друг за другом периодов или следующих через определенные промежутки дат называются равноотстоящими или полными. Если же в рядах даются прерывающиеся периоды или неравномерные промежутки между датами, то ряды называются неравноотстоящими или неполными. Временные ряды абсолютных, относительных, средних величин Временные ряды абсолютных величин более полно характеризуют развитие процесса или явления, например: объема валового внутреннего продукта в целом, грузооборота транспорта, инвестиций в основной капитал, производства продукции животноводства и т.д. Ряды относительных величин могут характеризовать во времени темпы роста (или снижения) определенного показателя; изменение удельного веса того или иного показателя в совокупности; изменение показателей интенсивности отдельных явлений, например, удельный вес приватизированных предприятий в той или иной отрасли; производство продукции надушу населения; структура инвестиций в основной капитал по отраслям экономики и др. Временные ряды средних величин служат для характеристики изменения уровня явления, отнесенного к единице совокупности, например: данные о среднегодовой численности занятых в экономике, о средней урожайности отдельных сельскохозяйственных культур, о средней заработной плате в отдельных отраслях и т.д. Временные ряды частных и агрегированных показателей . Частные показатели характеризуют изучаемое явление односторонне, изолированно. Например, среднесуточный объем выпуска промышленной продукции дает возможность оценить динамику промышленного производства, численность граждан, состоящих на учете в службе занятости; показывает эффективность социальной политики государства; остатки наличных денег у населения и вклады населения в банках отражают платежеспособность населения и т.д. Агрегированные показатели основаны на частных показателях и характеризуют изучаемый процесс комплексно. Так, чтобы иметь представление о состоянии экономики в России в целом, необходимо определять агрегированный показатель экономической конъюнктуры, включающий в себя и вышеперечисленные частные показатели.Их определяют также при исследовании эффективности производства, технического уровня предприятий, качества продукции, экологического состояния. Широкое применение последних, стало возможным с развитием факторного и компонентного анализа. Временные ряды по предметной области: Демографические Политические Экономические Образовательные Медицинские Социальные Правила формирования временных рядов: А) единицы измерения для всех точек данных должны совпадать; Б) методика вычисления и технология сбора данных временного ряда должна быть едина; В) сбор данных и формирование временного ряда должно осуществляться для одного и того же объекта; Г) фиксирование показателя должно совпадать с моментом времени. Динамика – изменение, направленное развитие процесса во времени. Тенденция – устойчивая закономерность изменения процесса во времени. Тренд – кривая, описывающая закономерность изменения динамического процесса, уравнение кривой. Прогнозирование по тренду – процесс получения прогнозных оценок динамического процесса на основе тренда Абсолютный базисный прирост показывает прирост уровней ряда относительно базового периода времени y0 (на сколько), выражается в натуральных единицах измерения В качестве базовых могут рассматриваться показатели различных периодов. Например, момент начала вложения капитала, либо запуска проекта. Абсолютный цепной прирост показывает прирост уровня ряда относительно предыдущего периода времени, выражается в натуральных единицах измерения. Варианты значений цепного прироста: 1. Сyt = 0, t - уровни ряда постоянны, т.е. yt = const ,t и, соответственно, временная динамика отсутствует. Процесс стационарен. 2. Сyt = const , t - временная динамика имеет линейную тенденцию с равными темпами роста или падения уровней ряда. Процесс линейный. 3. Сyt >= t - возрастание уровней ряда на каждый период. Процесс возрастающий. 4. Сyt <= t - убывание уровней ряда на каждый период. Процесс убывающий . Ускорение динамики показывает ускорение или замедление тенденции изучаемого процесса/ Рассчитывается по интервалам равной длительности и только для цепных показателей. Варианты значений ускорения динамики: 1. Ayt>=0 - рост уровня ряда постепенно замедляется или ускоряется его падение. Процесс возрастающий с затуханием, либо скорый, убывающий 2. Ayt<=0 - рост уровня ряда постепенно ускоряется или замедляется его падение. Процесс убывающий с затуханием, либо скорый, возрастающий 3. Ayt=0 - цепной темп роста постоянен и, соответственно, временная динамика имеет линейную тенденцию с равными темпами роста или падения уровней ряда. Линейный процесс 4. Ayt = const . В этом случае временная динамика имеет параболическую тенденцию. Параболический процесс. 1. Линейная тенденция. 2. Стационарный процесс. Отсутствие динамики. 3. Параболическая тенденция. 4. Периодическая тенденция. Базисный темп роста характеризует в относительных единицах прирост показателя в период времени t относительно базового уровня, выражается в процентах. Показывает во сколько раз увеличился уровень временного ряда относительно базового. Цепной темп роста показывает увеличение уровня ряда относительно предыдущего значения, выражается в процентах. Этапы построения модели временного ряда . 1. Сбор исходных данных и их предварительная обработка 2. Анализ данных 2.1. Расчет основных показателей динамики 2.2. Сглаживание рядов данных (фильтрация) 2.3. Оценка устойчивости уровней ряда 2.4. Оценка устойчивости динамики 2.5. Статистический анализ 3. Синтез модели 3.1. Идентификация модели 4. Использование модели 4.1. Точечный прогноз 4.2. Интервальный прогноз Анализ данных временного ряда Цель анализа – выявить особенности изучаемого процесса, определить наличие временной динамики и ее характер. 2.Выполнить сглаживание (фильтрацию) данных и определить точки “выброса”. 3. Проанализировать устойчивость уровней рядов данных и временной динамики. 4. Выполнить статистический анализ данных и определить характер временной динамики. Методы анализа временных рядов 1. Анализ показателей, характеризующих тенденцию динамики Абсолютный временной ряд Относительный временной ряд 2. Прикладные методы (по предметной области) Социальные Финансовые Медицинские 3. Статистический анализ Корреляционный анализ Кластерный анализ Сглаживание «фильтрация» 4. Анализ устойчивости Устойчивость уровней ряда Устойчивость динамики 5. Вейвлет-анализ (дискретное вейвлет-преобразование) 6. R/S -анализ Различают следующие типы трендов: Детерминированный, если значения членов временного ряда могут быть точно определены какой- либо математической функцией где a1 , a2 , a3 - параметры, постоянные коэффициенты модели; t - время. Стохастический (случайный процесс), если уровни ряда носят случайный характер: где - начальное значение; - случайная величина (прирост уровней ряда). - смешанный, включает элементы детерминированного и стохастического тренда: Где a1 , a2 , q , b , w - постоянные коэффициенты; ut - случайная величина. Стохастический процесс называется стационарным, если его свойства не изменяются во времени, в частности он имеет постоянное математическое ожидание, дисперсию и автоковариацию с некоторым запаздыванием k . Задача прогнозирования заключается в выявлении компонентов кси t, et, исходного временного ряда xt, а также принципов изменения во времени (тренда). Прогнозная модель временного ряда – модель, аппроксимирующая, приближающая с достаточной степенью точности тренд. Похожие статьи Методика, предлагаемая Л Политика рф счастье людей где Как правильно приобретать активы Качество жизни населения Виды социальной помощи