- •ЭКОНОМЕТРИКА
- •ВЫБОРОЧНЫЕ ДАННЫЕ
- •ОПРЕДЕЛЕНИЕ
- •Составляющие временного ряда
- •Циклическая компонента
- •Составляющие временного ряда
- •Составляющие временного ряда
- •Составляющие временного ряда
- •Составляющие временного ряда
- •Этапы анализа временных рядов
- •анализа временных рядов
- •Коэффициент
- •Стационарный временной ряд
- •Стационарность временного ряда означает отсутствие:
- •Анализ временного ряда с помощью коррелограммы
- •Анализ временного ряда с помощью коррелограммы
- •Пример временного ряда с отрицательной автокорреляцией
- •Пример временного ряда с положительной автокорреляцией
- •Выравнивание (сглаживание) временного ряда - выделение неслучайной компоненты, как правило тренда
- •Аналитическое выравнивание временного ряда - выбор модели тренда
- •Выбор модели тренда
- •Качество МНК-оценок тренда
- •Проверка гипотезы об автокорреляции остатков
- •Тест Дарбина-Уотсона
- •Применение метода скользящих
- •Применение метода скользящих средних для
- •Применение метода скользящих средних для выделения трендовой и сезонной составляющей временного ряда
- •Результаты разложения временного
- •Применение метода скользящих средних для выделения трендовой и сезонной составляющей временного ряда
- •Результаты разложения временного ряда на компоненты методом скользящих средних -мультипликативная модель
- •Применение метода скользящих средних для сглаживания случайной составляющей временного ряда
- •ВЫЯВЛЕНИЕ ИНТЕРВЕНЦИИ - СТРУКТУРНЫХ ИЗМЕНЕНИЙ МОДЕЛИ
- •ВЫЯВЛЕНИЕ ИНТЕРВЕНЦИИ - СТРУКТУРНЫХ ИЗМЕНЕНИЙ МОДЕЛИ
- •ВЫЯВЛЕНИЕ ИНТЕРВЕНЦИИ - СТРУКТУРНЫХ ИЗМЕНЕНИЙ МОДЕЛИ
- •МОДЕЛИ ВРЕМЕННЫХ РЯДОВ, ИСПОЛЬЗУЮЩИЕ ЛАГОВЫЕ ПЕРЕМЕННЫЕ
- •Белый шум
- •Нормальный временной ряд
- •МОДЕЛИ ВРЕМЕННЫХ РЯДОВ, ИСПОЛЬЗУЮЩИЕ ЛАГОВЫЕ ПЕРЕМЕННЫЕ
- •Авторегрессионная модель первого порядка для возмущений
- •Авторегрессионная модель первого порядка для возмущений
- •Авторегрессионная модель первого порядка – оценивание параметров
Выбор модели тренда
|
y |
a |
|
|
- логистическая |
|
|
|
|||
|
1 be ct |
|
|
||
|
log y a brt |
(0 r 1) - Гомперца |
|||
Анализом Q , Q |
R |
, R2, F-статистики выбирается наиболее |
|||
|
|
e |
|
|
значимая модель.
Качество МНК-оценок тренда
МНК-оценки обладают свойством эффективности только в условиях классической нормальной регрессионной модели
X t - детерминированная величина;
1,…, n- независимые нормальные одинаково распределенные случайные величины: i~N(0, 2).
после оценки функции регрессии необходимо проверить гипотезу о корреляции остатков: если гипотеза о корреляции остатков не отвергается, то качество модели сомнительно.
Проверка гипотезы об автокорреляции остатков
Тест Дарбина-Уотсона
|
|
n |
|
|
|
статистика d |
(ei ei 1)2 |
||
|
i 2 |
|
||
|
|
n |
|
|
|
|
|
ei2 |
|
|
|
|
i 1 |
|
Можно доказать, что d=2(1-r) |
||||
-1 r 1 0 d 4 |
|
|
||
d 0 |
- сильная положительная автокорреляция |
|||
d 4 |
- сильная отрицательная автокорреляция |
|||
d 2 |
- отсутствие автокорреляции |
Тест Дарбина-Уотсона
Доказано, что для любых >0 и n 15 существуют верхняя граница dв и нижняя граница dн, такие что
Н0 |
Зона |
Н0 принимается (отсутствие |
Зона |
Н0 |
||
отвергается |
неопределен |
автокорреляции) |
|
неопределен |
отвергается |
|
(положител. |
ности |
|
|
ности |
(отрицател. |
|
автокорреля |
|
|
|
|
автокорреля |
|
ция) |
|
|
|
|
ция) |
|
0 |
dн |
dв |
2 |
4-dв |
4-dн4 d |
- допустимая вероятность ошибки 1 рода(отклонить Н0 при условии, что она верна) Недостатки теста Дарбина-Уотсона:
1.Наличие зон неопределенности.
2.n 15
3.Неприменимость к моделям с лаговыми объясняющими переменными.
Применение метода скользящих
средних для выделения трендовой и циклической составляющей временного ряда
|
|
потребление электроэнергии |
|
|
Y=T+S+E - аддитивная модель: |
||||
12 |
y |
|
|
|
|
|
|
|
амплитуды колебаний приблизительно |
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
постоянны |
|
10 |
|
|
|
|
|
|
|
|
|
8 |
|
|
|
|
|
|
|
|
|
6 |
|
|
|
|
|
|
|
|
|
4 |
|
|
|
|
|
|
|
|
период=4 |
0 |
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
0 |
2 |
4 |
6 |
8 |
10 |
12 |
14 |
16 |
коэффициент автокорреляции |
|
|
|
|
|
|
|
t, квартал |
|
|
|
|
|
|
|
|
|
|
|
1 |
0,8
0,6
0,4
0,2
0
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
лаг
Применение метода скользящих средних для |
||||||||
выделения трендовой и сезонной составляющей |
||||||||
|
|
|
временного ряда |
|
||||
y |
|
потребление электроэнергии |
|
|
|
|||
|
|
|
|
скользящее среднее |
|
|||
12 |
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
10 |
|
|
|
|
|
|
|
|
8 |
|
|
|
|
|
|
|
|
6 |
|
|
|
|
|
|
|
|
4 |
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
0 |
2 |
4 |
6 |
8 |
10 |
12 |
14 |
16 |
|
|
|
|
|
|
|
t, квартал |
|
Скольз_срi=(yi-2+ yi-1+ yi+ yi+1)/4, i=3,4,…,n-2 |
|
|||||||
Размер окна=4 |
|
|
|
|
|
|
Применение метода скользящих средних для выделения трендовой и сезонной составляющей временного ряда
Аддитивная модель
План исследования
1. Определение периода циклической составляющей по графику временного ряда и по коэффициенту автокорреляции.
2. Построение скользящей средней (аналога тренда) методом скользящего среднего с окном усреднения, равным периоду.
3. Определение разностей (первое приближение циклической компоненты): y-скольз_ср(грубо говоря, получим S+E).
4.Коррекция циклической компоненты, так чтобы было идеальное повторение от цикла к циклу и чтобы сумма ее значений за период равнялась нулю.
5.Удаление циклической компоненты из исходного ряда (получаем приближение T, грубо говоря, получаем T+E).
6.Определение тренда (МНК).
7.Расчет возмущений: E=Y-T-S (с целью анализа адекватности модели).
Результаты разложения временного
ряда на компоненты методом скользящих средних-аддитивная модель
12 |
|
|
|
|
|
|
|
|
10 |
|
|
|
|
|
|
|
|
8 |
|
|
|
|
|
|
|
y |
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
S |
|
4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
T |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
E |
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
-2 0 |
2 |
4 |
6 |
8 |
10 |
12 |
14 |
16 |
-4 |
|
|
|
|
|
|
|
t |
|
|
|
|
|
|
|
|
|
Применение метода скользящих средних для |
|||||||
выделения трендовой и сезонной составляющей |
||||||||
|
|
|
|
временного ряда |
||||
Y=T*S*E - мультипликативная модель:амплитуды колебаний изменяются |
||||||||
пропорционально тренду. Или Y=T*S+E |
|
|
|
|||||
|
|
Прибыль компании |
|
|
|
|||
120 |
|
|
|
|
скользящее среднее |
|||
100 |
|
|
|
|
|
|
|
|
80 |
|
|
|
|
|
|
|
|
60 |
|
|
|
|
|
|
|
|
40 |
|
|
|
|
|
|
|
|
20 |
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
0 |
2 |
4 |
6 |
8 |
10 |
12 |
14 |
16 |
|
|
|
|
|
|
|
t, квартал |
|
Скольз_срi=(yi-2+ yi-1+ yi+ yi+1)/4, i=3,4,…,n-2 |
Применение метода скользящих средних для выделения трендовой и сезонной составляющей временного ряда
Мультипликативная модель
План исследования
1. Определение периода циклической составляющей по графику временного ряда и коэффициенту автокорреляции.
2.Построение скользящей средней с окном усреднения, равным периоду циклической составляющей (первое приближение тренда).
3.Определение остатков (первое приближение циклической компоненты): y/скольз_ср.
4.Коррекция циклической компоненты, так чтобы было идеальное повторение от цикла к циклу и чтобы среднее значение компоненты за цикл равнялось единице.
5.Удаление циклической компоненты из исходного ряда (TE=Y/S).
6.Определение тренда T (МНК).
7.Определение возмущений (TE/T)
8.Расчет абсолютных погрешностей для сравнения с другими моделями (Eabs=Y-TS)