9. Эконометрическое моделирование тенденции временного ряда.

Временной ряд (он же ряд динамики) – это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени. Показателя временного ряда называются уровнями ряда динамики. Каждый уровень ряда динамики формируется под воздействием целого комплекса факторов.

Реальные данные временного ряда могут складываться при одновременном влиянии трех компонент. Итак, факторы уровней временного ряда по характеру воздействия можно условно разбить на три группы:

1. факторы, формирующие тенденцию ряда (Т);

2. факторы, формирующие циклические колебания ряда (S);

3. случайные факторы (E).

В большинстве случаев фактический уровень временного ряда можно представить как сумму или произведение трендовой, циклической и случайной компонент. Модель, в которой временной ряд представлен как сумма компонент, называется аддитивной. Модель, в которой временной ряд представлен как произведение перечисленных компонент, называется мультипликативной.

Один из наиболее распространенных способов моделирования тенденции временного ряда – это подбор и решение математического уравнения, которое бы отражало зависимость уровней ряда от фактора времени. Такие функции называются трендами, а способ построения такой функции – это способ аналитического выравнивания временного ряда.

Зависимость от времени может принимать разные формы, поэтому для построения трендов могут быть выбраны разные функции:

линейный тренд ;

гипербола ;

экспонента , где е = 2,71828;

степенная функция ;

парабола и другие.

Параметры таких функций могут быть определены обычным МНК. Параметризация нелинейных трендов требует предварительной их линеаризации.

Существует несколько способов определения формы тренда.

1 Самый простой способ – это визуальный анализ графика зависимостей уровней ряда от времени.

2 Определение основных показателей динамики. Если цепные абсолютные приросты для всего ряда примерно равны друг другу, то это линейный тренд; если примерно равны друг другу цепные коэффициенты роста, то функция может быть степенной или показательной.

3 Анализ коэффициентов автокорреляции. Если временной ряд имеет линейную тенденцию, то его соседние уровни тесно коррелированны, и в этом случае коэффициент автокорреляции первого порядка должен быть очень высокий.

Если есть подозрение на существование нелинейной зависимости, то следует прологарифмировать исходный ряд данных и определить коэффициент автокорреляции первого порядка по логарифмам уровней. Чем сильнее выражена нелинейная тенденция, тем выше будет автокорреляция логарифмов по сравнению с автокорреляцией исходных данных.

4 Если форму связи всеми перечисленными способами определить достаточно трудно, то перебирают все основные формы трендов, учитывая при этом соотношение числа наблюдений и числа определяемых параметров. Для каждого уравнения определяют коэффициент детерминации и выбирают уравнение с максимальным его значением (экспериментальный способ). Реализация этого метода предполагает компьютерную обработку данных.

Наиболее простую экономическую интерпретацию имеют параметры линейного и показательного трендов. Параметры линейного тренда интерпретируются следующим образом: Параметр а – начальный уровень временного ряда в момент времени t = 0; b – средний абсолютный прирост уровней ряда за один период.

Уравнение показательного тренда имеет вид . Параметр а – начальный уровень временного ряда в момент времени t = 0, а показатель степени t - это средний за единицу времени коэффициент роста уровней ряда.

Если форма тренда описывается параболой, то качественный анализ такого тренда предполагает определение поворотных точек в динамике, замедления или ускорения темпов изменения, начиная с определенного момента времени под влиянием ряда факторов. В случае, если уравнение тренда выбрано неверно, то результаты анализа и прогнозирования динамики временного ряда с использованием выбранного уравнения будут недостоверными вследствие ошибок спецификации.

Для оценки пригодности уравнения тренда для прогноза, также как и для регрессионной модели, может быть рассчитана средняя ошибка аппроксимации

(%).

Если ее величина не превышает 8-10%, то уравнение тренда может быть использовано в прогнозировании будущих значений результативного признака.