- •Предисловие
- •Основные понятия
- •Глава 1. Анализ одномерных временных рядов
- •1.1. Анализ временного ряда на стационарность (автокорреляционная функция)
- •1.2. Компоненты временного ряда
- •1.3. Показатели точности прогноза
- •1.4. Сглаживание уровней временных рядов
- •1.5. Аналитическое выравнивание временных рядов
- •1.6. Проверка стабильности модели тренда (тест Чоу)
- •1.7. Применение фиктивных переменных при моделировании тренда
- •1.8. Сезонная декомпозиция временного ряда
- •1.9. Полиномиальные модели экспоненциально взвешенных средних
- •1.10. Моделирование стационарных временных рядов
- •1.10.1. Процессы белого шума и случайного блуждания
- •1.10.2. Процесс случайного блуждания и единичный корень
- •1.10.3. Модели скользящего среднего и процесс белого шума
- •1.10.4. Модели авторегрессии – скользящего среднего (методология Бокса – Дженкинса)
- •Глава 2. Многомерные модели временных рядов
- •2.1. Динамические модели со стационарными переменными
- •2.1.1. Модель коррекции остатков
- •2.1.2. Модель частичного приспособления
- •2.1.3. Уравнения модели с полиномиально распределённым лагом (лаги Алмон)
- •2.1.4. Уравнения модели с геометрически распределённым лагом (метод Койка)
- •2.2. Динамические модели с нестационарными переменными
- •2.2.1. Ложная регрессия
- •2.2.2. Единичные корни и коинтеграция
- •Глава 3. Векторные модели авторегрессии
- •3.1. Общие положения
- •3.2. Тест Гренджера на причинность
- •3.3. Модель коррекции остатков для нестационарных временных рядов
- •Глава 4. Панельные данные
- •4.1. Основные понятия
- •4.2. Модель с фиксированными эффектами
- •4.3. Модель со случайными эффектами
- •4.4. Фиксированные эффекты или случайные?
- •4.5. Качество подгонки панельных данных моделью
- •Библиографический список
- •Оглавление
- •Глава 1. Анализ одномерных временных рядов………….………………...5
- •Глава 2. Многомерные модели временных рядов…………… ……….…45
- •Глава 3. Векторные модели авторегрессии………………………………...64
- •Глава 4. Панельные данные…………………………………………….……76
- •680042, Хабаровск, ул. Тихоокеанская, 134, хгаэп, риц
1.9. Полиномиальные модели экспоненциально взвешенных средних
В этом направлении разработан целый комплекс моделей. Кратко рассмотрим несколько из них. Здесь предполагается, что анализируемые ряды нестационарны и имеют линейный или квадратичный тренды.
Хольта линейное экспоненциальное сглаживание предполагает, что среднее прогнозируемого показателя yt изменяется линейно по времени:
yt = μt + λt t + εt,
где μt – среднее процесса, λt – его скорость (меняются во времени), а εt – случайная ошибка. При этом оценка λt осуществляется по показателю роста bt, который вычисляется как экспоненциально взвешенное среднее разности между текущими экспоненциально взвешенными средними значениями элементов временного ряда ut и их предыдущими значениями ut-1 и предыдущим значением bt-1. В свою очередь, текущее значение экспоненциально взвешенного среднего ut включает в себя значение прошлого показателя роста bt-1, адаптируясь таким образом к предыдущему значению линейного тренда.
Уравнения метода Хольта:
ut = αyt +(1-α)(ut-1 + bt-1) и bt = β(ut - ut-1) + (1 – β)bt-1,
где α и β – параметры сглаживания.
Если τ – горизонт прогнозирования, то прогноз на τ моментов времени по модели Холта вычисляется по формуле
ft+τ = ut + bt τ.
Здесь ut – оценка среднего текущего значения, bt – ожидаемый показатель изменения.
Значения α и β подбираются по минимальной ошибке прогноза. Параметр α предназначен для сглаживания оценки постоянного уровня элементов временного ряда, β – для оценки тренда.
Брауна линейное экспоненциальное сглаживание предполагает, что прогноз на τ моментов времени вычисляется по формуле
ft+τ = ut + bt τ,
где ut = ut-1+ bt-1+ (1– γ)2et, et = yt– ft и bt = bt-1+ (1– γ)2et.
Брауна квадратичное экспоненциальное сглаживание предполагает, что прогноз на τ моментов времени вычисляется по формуле
ft+τ = а0 + а1 τ + а2 τ2,
причём параметры а0, а1 и а2 выбираются так, чтобы на любой момент времени i взвешенная сумма квадратов отклонений между наблюдаемыми и ожидаемыми значениями обращалась в минимум:
= min.
Параметр γ в методе Брауна аналогичен параметру (1-α) в методе Хольта (показатель дисконтирования наблюдений) и задаётся из априорных соображений, в том числе и из условия минимизации указанной суммы.
Модель Винтера с сезонной компонентой. Эта модель, как и модели Хольта и Брауна, основывается на экспоненциально взвешенных средних. Оценке здесь подлежат отдельно каждая из составляющих ряда: стационарная, трендовая (в виде линейного тренда) и сезонная. Для каждой такой оценки вводятся свои параметры сглаживания: α, β и γ. При компьютерных расчётах они определяются в автоматическом режиме по минимальной ошибке прогноза. При этом прогноз на τ периодов времени строится по линейному тренду с учётом сезонности St+τ:
ft+τ = (ut + btτ) St-s+τ.
При этом оценки ut и bt оцениваются аналогично, как и в модели Хольта (с учётом сезонности):
ut = α(yt/St) +(1-α)(ut-1 + bt-1) и bt = β(ut - ut-1) + (1 – β)bt-1,
а для оценки сезонной составляющей используется
St = γ(yt/ut) + (1- γ)St-s+ τ.
Здесь s – длина сезонности.
Двойное экспоненциальное сглаживание предполагает экспоненциаль-
но сгладить простую экспоненциально сглаженную:
,
,
где – простая экспоненциально сглаженная;
– двойная экспоненциально сглаженная.
Прогноз по этой модели осуществляется по соотношению
,
т.е. по линейному тренду с константой, равной и наклоном .
В заключение отметим, что здесь были приведены только простейшие адаптивные методы моделирования нестационарных временных рядов, на основе которых можно анализировать и прогнозировать тенденции уровней временных рядов (в том числе и с учётом сезонности).
При выборе той или иной модели при работе с конкретным временным рядом можно пользоваться различными критериями. Один из них – минимальная ошибка прогноза.
В программе Statgraphics имеется процедура, позволяющая выбрать среди нескольких моделей лучшую по одной из таких ошибок. На рисунке 1.19 приведён пример использования такой процедуры.
Рисунок 1.19 – Отчёт о расчёте моделей с использованием ошибок прогноза
Как видно из этого рисунка, имеется пять моделей, и если среди них надо выбрать лучшую, ориентируясь на ошибку, то можно предпочесть модель (А) – линейный тренд, хотя у модели (В) средняя процентная ошибка (МРЕ) меньше.
В EViews результат расчёта по модели Хольта приведены на рисунке 1.20. Здесь исходная информация несколько отличается от предыдущего примера. Так, наравне с вычисленными значениями коэффициентов α и β приведены прогнозные значения ut и bt.
Рисунок 1.20 – Окно отчёта для модели Хольта из EViews