- •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
5.1.7.4. Проверка гипотезы о нормальности ряда остатков.
Выполняется с целью использования этого свойства в дальнейшем при построении доверительных интервалов. Приближенная проверка этого свойства может быть выполнена следующим образом:
Рассчитываются коэффициент асимметрии и показатель эксцесса
, . (5.41)
Если выполняются соотношения:
, , (5.42)
то гипотеза о нормальном распределении ряда остатков принимается и доверительные интервалы прогнозов, построенные в предположении нормальности, будут достаточно надежными, если хотя бы одно из неравенств не выполняется, то к доверительным интервалам следует относиться осторожно.
5.1.7.5. Проверка гипотезы о стационарности ряда остатков.
Если гипотеза о том, что отклонения от тренда представляют собой стационарный случайный процесс подтверждается, то при прогнозировании могут применяться методы прогноза для стационарных случайных процессов.
Процесс считается стационарным (постоянство среднего значения, дисперсии и автокорреляции в течении времени), если значение автокорреляционной функции зависит не от выбора начала отсчета наблюдений, а от величины сдвига =ti-tj, Для проверки этой гипотезы выполняются следующие действия.
1.Для случайного компонента Et находятся значения автокорреляционной функции , где n - число наблюдений.
2.Исключается одно из крайних наблюдений (первое, либо последнее) и вычисляется новая автокорреляционная функция .
3.Подобным образом исключаются k (k=1,2,…,K) наблюдений и вычисляется (К+1) автокорреляционных функций. Таким образом, получим групп коэффициентов корреляции в каждую из которых входит (К+1)-коэффициент. Для стационарного случайного процесса коэффициенты автокорреляции, входящие в одну группу, должны быть однородными.
4.Для проверки однородности рассчитывается 2 - критерий. Для каждого , входящего в - ю группу, вычисляется z - критерий:
. (5.43)
Для каждой группы рассчитывается среднее значение:
. (5.44)
Для каждой группы вычисляется:
. (5.45)
Рассчитанное значение сравнивается с табличным при уровне значимости и с k степенями свободы. Если рассчитанное значение меньше табличного, то гипотеза об однородности - группы коэффициентов автокорреляции не отвергается.
Если гипотеза об однородности не отвергается для всех групп, то можно принять, что автокорреляционная функция зависит только от разности аргументов , т.е. случайный компонент представляет собой стационарный процесс.
5.1.8.Адаптивные модели и методы
5.1.8.1. Сущность адаптивных методов заключается в возможности построения корректирующих моделей, способных учитывать результаты прогноза, сделанного на предыдущем шаге. Это позволяет с помощью адаптивных моделей учитывать изменения в тенденции, а также любые колебания, в которых прослеживается закономерность. Быстроту реакции модели на изменение в динамике процесса характеризует так называемый параметр адаптации или параметр дисконтирования . Этот параметр должен быть выбран таким, чтобы обеспечивалось адекватное отображение тенденции при одновременной фильтрации случайных отклонений.
Все адаптивные модели базируются на двух схемах: схеме скользящего среднего (СС-модели) и схеме авторегрессии (АР-модели).
Согласно схеме скользящего среднего, каждый элемент ряда подвержен предыдущей ошибки. Оценкой текущего уровня является взвешенное среднее q предшествующих уровней, причем веса при наблюдениях убывают по мере удаления от последнего уровня.
В общем виде модель скользящего среднего имеет вид:
yt = C + t - 1t-1 -…- qt-q, (5.46)
где С - константа (среднее значение ряда);
i - коэффициенты модели;
Другими словами, каждое наблюдение ряда представляет собой сумму случайной компоненты в данный момент и линейной комбинации случайных воздействий в предыдущие моменты времени.
В методах экспоненциального сглаживания убывание весов подчиняется экспоненциальному закону. Экспоненциальной средней первого порядка ряда Yt будет выражение
St = yt + (1-)St-1. (5.47)
Экспоненциальная средняя k-ого порядка вычисляется с помощью следующего рекуррентного выражения, выведенная Брауном:
. (5.48)
Такие модели хорошо отображают изменения, происходящие в тенденции, но в чистом виде не позволяют отображать колебания.
Согласно схеме авторегрессии оценкой текущего уровня является взвешенная сумма не всех, а p предшествующих уровней (AP(p)-модель):
yt = + 1yt-1 + 2yt-2 + … + pyt-p + t, (5.49)
где - свободная составляющая ряда
i - параметры модели, которые оцениваются либо с помощью метода наименьших квадратов, либо с помощью коэффициентов автокорреляции;
p - порядок модели авторегрессии, определяющий количество периодов, от которых зависит текущее значение yt;
t - случайная составляющая, имеющая нормальное распределение с нулевым математическим ожиданием и дисперсией .
Весовые коэффициенты в отличие от СС-модели не ранжированы. Информационная ценность наблюдений определяется не их близостью к моделируемому уровню, а теснотой связи между ними. АР-модели в максимальной степени приспособлены для описания закономерных колебаний в развитии показателя, но они менее применимы для описания нестационарных процессов.
Достоинства моделей авторегресии и скользящего среднего соединены в моделях АРСС: они отражают как изменения тенденции, так и периодические колебания, а также они применимы к нестационарным процессам.
В этих моделях для перехода от нестационарного процесса к стационарному используются конечные разности порядка d:
для d=1 - это приросты yt = yt - yt-1;
для d=2 - это приросты приростов 2yt = yt - yt-1;
и т.д.
Такие модели называют моделями авторегресии скользящего среднего порядка (p, d, q) - АРИСС(p, d, q), где p - порядок авторегрессии; d - порядок разностей; q - порядок скользящего среднего.