2. Декомпозиция временных рядов

Основным положением, на котором базируется использование временных рядов для прогнозирования, является то, что факторы, влияющие на полученные данные, воздействовали некоторым образом на наблюдаемый процесс в прошлом и настоящем, и предполагается, что они будут действовать схожим образом и в не очень далеком будущем. Поэтому основной целью анализа временных рядов будет разложение их на составные компоненты (декомпозиция) с целью прогноза дальнейшего поведения системы и выработки рациональных управленческих решений.

Двумя простейшими моделями, в которых переменная временного ряда У раскладывается на трендовую, циклическую, сезонную и нерегулярную компоненту, являются аддитивная модель и мультипликативная.

Модель, которая трактует каждое значение временного ряда как сумму указанных выше компонент, называется аддитивной. Согласно этой модели любое значение временного ряда представляется в виде:

(11.1)

где- значение временного ряда, а- соответственно значения трендовой, циклической, сезонной и нерегулярной компонент в любой точке ряда.

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.

В классической мультипликативной модели временных рядов определяется, что наблюдаемое значение в любой точке временного ряда является произведением трех факторов — тренда, циклической и нерегулярной компонент (в случае короткошаговых наблюдений — четырех, здесь добавляется еще и сезонная компонента), и любое значение ряда может быть представлено в виде:

(11.2)

где - значение временного ряда, а- соответственно значения трендовой, циклической, сезонной и нерегулярной компонент в любой точке ряда.

3. Анализ тренда

Не существует "автоматического" способа обнаружения тренда во временном ряду. Однако если тренд является монотонным (устойчиво возрастает или убывает), то анализировать такой ряд обычно нетрудно. Если временные ряды содержат значительную ошибку, то первым шагом выделения тренда является сглаживание.

Сглаживание всегда включает некоторый способ локального усреднения данных, при котором несистематические компоненты взаимно погашают друг друга. Самый общий метод сглаживания — скользящее среднее, в котором каждый член ряда заменяется простым или взвешенным средним m соседних членов, где m — ширина "окна". Также для выделения тренда широко используется метод экспоненциального сглаживания.

Многие монотонные временные ряды можно хорошо описать линейной функцией. Если же имеется явная монотонная нелинейная компонента, то данные вначале следует преобразовать таким образом, чтобы устранить эту нелинейность. Чаще всего для этой цели используют логарифмическое, экспоненциальное или (не так часто) полиномиальное преобразование данных.

Относительно реже, когда ошибка измерения очень большая, используется метод сглаживания методом наименьших квадратов, взвешенных относительно расстояния или метод отрицательного экспоненциально взвешенного сглаживания.

Все эти методы отфильтровывают шум и преобразуют данные в относительно гладкую кривую.