
- •5. Временные динамические ряды.
- •Временные ряды
- •Сглаживание
- •Временное прогнозирование результативных показателей эффективности функционирования оао «icl – кпо вс»
- •5.1. Статистические методы прогнозирования
- •5.2. Сглаживание и прогнозирование методом скользящего среднего
- •Сводная таблица ошибок прогноза при изменении параметра m
- •Результаты прогнозирования методом скользящего среднего с минимальными значениями ошибок прогнозирования
- •5.3. Экспоненциальное сглаживание и прогнозирование
- •Наилучшие результаты прогнозирования методом экспоненциального сглаживания
- •5.4. Прогнозирование методом авторегрессии и проинтегрированного скользящего среднего
- •Сводная таблица ошибок прогноза при изменении параметра Seasonal Lag
- •Наилучшие результаты прогнозирования методом арпсс
- •5.5. Прогнозирование на нейронных сетях
- •Сводная таблица ошибок прогнозирования на нейронных сетях при изменении количества входов
- •Наилучшие результаты прогнозирования на нейронных сетях
- •5.6. Предварительная оценка результатов прогнозирования в системе координат
- •Вычисленные значения и
5. Временные динамические ряды.
Сглаживание. Прогнозирование
ВДР
Сглаживание
Прогнозирование
Временные ряды
Временными динамическими рядами (ВДР) называются статистические данные, отображающие развитие изучаемого процесса (явления) во времени.
В качестве фактора в ВДР используются либо даты, либо интервалы времени. В качестве отклика – количественные показатели развития изучаемого процесса во времени.
Основная цель статистического изучения временных динамических рядов (ВДР) состоит в выявлении и оценивании закономерностей их развития.
Основные показатели динамики ВДР
Базисный абсолютный прирост (спад) – вычисляется как разность между сравниваемым уровнем
и уровнем, принятым за базу сравнения
:
Цепной абсолютный прирост (спад) – вычисляется как разность между сравниваемым уровнем
и уровнем, который ему предшествует:
Базисный темп роста, вычисляется делением сравниваемого уровня на уровень, принятый за базу:
Цепной темп роста, вычисляется делением сравниваемого уровня на предыдущий:
Базисный темп прироста – вычисляется делением базисного абсолютного прироста
на уровень, принятый за базу сравнения:
Цепной темп прироста – вычисляется как отношение сравниваемого цепного абсолютного прироста
к предыдущему уровню:
Средний уровень ВДР (оценка математического ожидания):
для интервального ряда:
для моментного ряда с равностоящими датами:
для момента ряда с неравностоящими датами:
Средний абсолютный прирост:
Средний темп роста:
Средний темп прироста:
Проверка гипотезы о существовании тенденции
Проверка разности средних уровней:
Разбиваем анализируемый ряд на две примерно одинаковые выборки, каждая из которых рассматривается как некоторая самостоятельная выборочная совокупность. Принимаем допущение, что выделенные выборки подчиняются нормальному закону (можно проверить в ППП Statistica). Воспользуемся методикой, разработанной для малых выборок.
Находим средние
значения для левой выборки
и правой выборки
.
Примем допущение об однородности
дисперсий. Проверка производится поF-критерию
Фишера
(где
)
число степеней
свободы
и
;
Принимаем уровень
значимости по рекомендации
;
если
,
то гипотезу не отвергаем. В этом случае
можно проводить дальнейшую проверку.
Выдвигаем гипотезу о равенстве средних
и находим критерий Стьюдента:
,
где S – среднее квадратическое отклонение разности средних.
При уровне значимости
находим критическое значение критерия
Стьюдента для
количества
степеней свободы;
Если
,
то гипотеза о равенстве средних
отвергается. В этом случае можно проводить
прогнозирование.
Метод Фостера-Стюарта
Вводятся переменные
и
,
которые находятся сравнением по всем
уровням. Переменная
принимает значение 1, в случае если
сравниваемое значение превышает все
предыдущие значения ряда, и 0 в остальных
случаях.
;
Переменная
принимает значение 1, в случае если
сравниваемое значение меньше всех
предыдущих значений ряда, и 0 в остальных
случаях.
;
Вычисляем:
Показатели
и
имеют независимые нормальные распределения
и существенно зависят от порядка
расположения уровней во времени.
Показатель
используется для обнаружения тенденций
в средней
Показатель
используется для обнаружения тенденций
в дисперсии
,
где
- математическое ожидание величины
,
определённое для случайного расположения
уровней во времени, берётся по таблице;
- средняя квадратическая ошибка величины
:
- средняя квадратическая ошибка величины
: