![](/user_photo/2706_HbeT2.jpg)
- •Содержание
- •Лабораторная работа № 1 «Математическое моделирование экономических процессов с помощью парных регрессионных моделей»
- •Решение типового примера
- •Лабораторная работа № 2 «Математическое моделирование экономических процессов с помощью моделей множественной регрессии»
- •Решение типового примера
- •Лабораторная работа № 3 «Анализ и прогнозирование временных рядов»
- •Решение типового примера
- •Рекомендуемый список литературы для выполнения практических работ
- •Приложение а Функция Лапласа (стандартизированное нормальное распределение)
- •Приложение б Распределение Стьюдента (t - распределение)
- •Приложение в
- •Приложение г Распределение Фишера (f – распределение)
- •Приложение д
Лабораторная работа № 3 «Анализ и прогнозирование временных рядов»
Имеется временной ряд:
ВАРИАНТ | |||||||||
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
2,69 |
3,56 |
4,40 |
4,59 |
4,62 |
4,69 |
4,74 |
4,89 |
5,00 |
5,24 |
3,08 |
4,04 |
5,04 |
5,34 |
5,30 |
5,34 |
5,31 |
5,55 |
5,56 |
5,95 |
3,52 |
4,57 |
5,78 |
6,21 |
6,08 |
6,06 |
5,96 |
6,30 |
6,18 |
6,75 |
4,03 |
5,17 |
6,62 |
7,22 |
6,99 |
6,89 |
6,69 |
7,14 |
6,88 |
7,67 |
4,62 |
5,86 |
7,58 |
8,40 |
8,02 |
7,84 |
7,51 |
8,10 |
7,65 |
8,71 |
5,28 |
6,63 |
8,69 |
9,77 |
9,21 |
8,91 |
8,42 |
9,19 |
8,50 |
9,89 |
6,05 |
7,51 |
9,95 |
11,37 |
10,57 |
10,12 |
9,45 |
10,43 |
9,45 |
11,23 |
6,92 |
8,50 |
11,41 |
13,22 |
12,14 |
11,51 |
10,60 |
11,83 |
10,51 |
12,75 |
7,93 |
9,62 |
13,07 |
15,37 |
13,93 |
13,08 |
11,89 |
13,42 |
11,69 |
14,48 |
9,07 |
10,89 |
14,97 |
17,88 |
15,99 |
14,86 |
13,34 |
15,22 |
12,99 |
16,44 |
10,38 |
12,33 |
17,15 |
20,80 |
18,36 |
16,89 |
14,97 |
17,26 |
14,45 |
18,66 |
11,89 |
13,96 |
19,65 |
24,19 |
21,08 |
19,20 |
16,79 |
19,58 |
16,06 |
21,19 |
13,60 |
15,80 |
22,52 |
28,13 |
24,20 |
21,82 |
18,84 |
22,21 |
17,86 |
24,06 |
15,57 |
17,89 |
25,80 |
32,71 |
27,78 |
24,81 |
21,14 |
25,19 |
19,86 |
27,32 |
17,82 |
20,25 |
29,56 |
38,05 |
31,89 |
28,19 |
23,71 |
28,58 |
22,08 |
31,02 |
Задание
Определить наличие у ряда тренда с выявлением типа процесса по его коррелограмме.
Оценить форму кривой выравнивания.
Получить расчетные коэффициенты (параметры) модели.
Проверить наличие или отсутствие автокорреляции остатков модели.
Решение типового примера
Пусть имеется временной ряд 4,72; 5,57; 7,45; 8,59; 9,52; 10,66; 12,65; 15,14; 17,05; 20,46; 23,03; 27,52; 31,72; 36,34; 42,59.
1. Коррелограммой называется график функции rτ, где rτ выборочная автокорреляционная функция, значения которой ищутся по формуле:
.
При построении коррелограммы будем ориентироваться на то, что количество значений rτ принято выбирать из условия τ ≤ n / 4. В нашем случае n = 15, откуда n /4 4, поэтому нам предстоит вычислить r1, r2, r3, r4.
Ищем r1 для τ = 1. Для удобства расчетов используем таблицу 5, в нижней строке которой поместим суммы по ее столбцам.
Таблица 5 – Вспомогательная таблица для расчетов
xt |
xt+1 |
|
|
xtxt+1 |
4,72 5,57 7,45 8,59 9,52 10,66 12,65 15,14 17,05 20,46 23,03 27,52 31,72 36,34 |
5,57 7,45 8,59 9,52 10,66 12,65 15,14 17,05 20,46 23,03 27,52 31,72 36,34 42,59 |
22,2784 31,0249 55,5025 73,7881 90,6304 113,6356 160,0225 229,2196 290,7025 418,6116 530,3809 757,3504 1006,1584 1320,5956 |
31,0249 55,5025 73,7881 90,6304 113,6356 160,0225 229,2196 290,7025 418,6116 530,3809 757,3504 1006,1584 1320,5956 1813,9081 |
26,2904 41,4965 63,9955 81,7768 101,4832 134,8490 191,5210 258,1370 348,8430 471,1938 633,7856 872,9344 1152,7048 1547,7206 |
230,42 |
268,29 |
5099,9014 |
6891,5311 |
5926,7316 |
Таким образом, получаем:
.
Для вычисления r2 заполним таблицу 6.
Таблица 6 – Вспомогательная таблица для расчетов
xt |
xt+2 |
|
|
xtxt+2 |
4,72 5,57 7,45 8,59 9,52 10,66 12,65 15,14 17,05 20,46 23,03 27,52 31,72 |
7,45 8,59 9,52 10,66 12,65 15,14 17,05 20,46 23,03 27,52 31,72 36,34 42,59 |
22,2784 31,0249 55,5025 73,7881 90,6304 113,6356 160,0225 229,2196 290,7025 418,6116 530,3809 757,3504 1006,1584 |
55,5025 73,7881 90,6304 113,6356 160,0225 229,2196 290,7025 418,6116 530,3809 757,3504 1006,1584 1320,5956 1813,9081 |
35,164 47,8463 70,924 91,5694 120,428 161,3924 215,6825 309,7644 392,6615 563,0592 730,5116 1000,0768 1350,9548 |
194,08 |
262,72 |
3779,3058 |
6860,5062 |
5090,0349 |
Таким образом, получаем:
.
Аналогично вычисляем r3 = 0,997; r4 = 0,996.
Так как выборочная автокорреляционная функция rτ медленно убывает, то таким же образом ведет себя и коррелограмма. Этот факт говорит о нестационарности временного ряда, поэтому можно предположить, что у этого ряда имеется тренд среднего уровня (точнее, имеется тренд у математического ожидания этого ряда).
2. Оценим форму кривой тренда. Для этого построим корреляционное поле (рис. 2).
Рисунок 2 – Корреляционное поле ряда
Форма корреляционного поля указывает на две наиболее возможные зависимости:
xt = a + bt (b > 0),
xt = a*exp(bt) (b > 0).
Критерием выбора зависимости является в данном случае проверка выполнения условий:
,
.
Если по результатам вычислений будет принято первое из этих условий, то выберем линейную модель тренда. В противном случае выберем экспоненциальную модель.
Имеем для первого условия
,
,…,
.
В результате получили
{0,85;
1,88; 1,14; 0,93; 1,13; 1,99; 2,49; 1,90; 3,41; 2,57; 4,49; 4,20;
4,67; 6,25}.
Имеем для второго условия
.
В результате получили:
{0,17;
0,29; 0,14; 0,10; 0,11; 0,17; 0,18; 0,12; 0,18; 0,12; 0,18; 0,14;
0,16}.
Для
экспоненциальной зависимости равенство
более приемлемо, чем для линейной,
поэтому выбираем экспоненциальную
модель тренда.
3. Оценим параметры a и b выбранной модели, решив систему нормальных уравнений МНК, которая для рассматриваемого случая имеет вид:
Вычисляем необходимые суммы:
,
в результате чего получаем систему:
Решаем ее, например, по формулам Крамера. Тогда:
.
Замечание. В проведенных вычислениях по решению системы нужно оставлять максимально возможное количество десятичных знаков в промежуточных результатах.
Итак, получили модель тренда:
xt = 4,353*exp(0,153*t),
которая графически представлена на рисунке 3.
4. Проверим правильность выбора полученной модели на основе поведения ряда остатков. Модель считается правильной в случае отсутствия автокорреляции остатков. Такую модель можно в дальнейшем использовать как инструмент точечных и интервальных прогнозов.
Одним из наиболее простых и достаточно надежных критериев определения автокорреляции остатков является критерий Дарбина-Уотсона. Статистика этого критерия имеет вид:
.
Рисунок 3 – Модель тренда
Эта статистика заключена в пределах от 0 до 4. При отсутствии автокорреляции d ≈ 2. При полной положительной автокорреляции d ≈ 0. При полной отрицательной автокорреляции d ≈ 4.
Для d-статистики найдены верхняя (upper) du и нижняя (low) dl критические границы на различных уровнях значимости.
Если фактически наблюдаемое значение d:
a) du < d < 4 – du, то гипотеза об отсутствии автокорреляции принимается;
б) dl ≤ d ≤ du или 4 – du ≤ d ≤ 4 – dl, то вопрос об отвержении или принятии гипотезы остается открытым;
в) 0 < d < dl, то принимается альтернативная гипотеза о положительной автокорреляции;
г) 4 – dl < d < 4, то принимается альтернативная гипотеза об отрицательной автокорреляции.
Ниже приведен фрагмент таблицы значений статистик dl и du критерия Дарбина-Уотсона при уровне значимости α = 0,05 (табл. 7).
Таблица 7 – Фрагмент таблицы значений статистик dl и du критерия Дарбина-Уотсона при уровне значимости α = 0,05
Число наблюдений n |
Число объясняющих переменных p = 1 | |
dl |
du | |
15 |
1,08 |
1,36 |
20 |
1,20 |
1,41 |
25 |
1,29 |
1,45 |
30 |
1,35 |
1,49 |
50 |
1,50 |
1,59 |
Зададимся уровнем значимости α = 0,05 и приступим к проверке наличия автокорреляции остатков для рассматриваемого временного ряда по полученной модели тренда:
xt = 5,353*exp(0,153*t).
Расчет сумм, необходимых для вычисления d-статистики приводим в таблице 8.
Таблица 8 – Вспомогательная таблица для расчетов
t |
xt |
|
|
|
|
| |
1 |
4,72 |
5,073 |
-0,353 |
- |
- |
- | |
2 |
5,57 |
5,911 |
-0,341 |
-0,353 |
0,120 |
0,116 | |
3 |
7,45 |
6,889 |
0,561 |
-0,341 |
-0,191 |
0,315 | |
4 |
8,59 |
8,027 |
0,563 |
0,561 |
0,316 |
0,317 | |
5 |
9,52 |
9,355 |
0,165 |
0,563 |
0,093 |
0,027 | |
6 |
10,66 |
10,901 |
-0,241 |
0,165 |
-0,040 |
0,058 | |
7 |
12,65 |
12,703 |
-0,053 |
-0,241 |
0,013 |
0,003 | |
8 |
15,14 |
14,804 |
0,336 |
-0,053 |
-0,018 |
0,113 | |
9 |
17,05 |
17,251 |
-0,201 |
0,336 |
-0,067 |
0,040 | |
10 |
20,46 |
20,103 |
0,357 |
-0,201 |
-0,072 |
0,127 | |
11 |
23,03 |
23,426 |
-0,396 |
0,357 |
-0,141 |
0,157 | |
12 |
27,52 |
27,299 |
0,221 |
-0,396 |
-0,087 |
0,049 | |
13 |
31,72 |
31,813 |
-0,093 |
0,221 |
-0,020 |
0,009 | |
14 |
36,34 |
37,072 |
-0,732 |
-0,093 |
0,068 |
0,536 | |
15 |
42,59 |
43,201 |
-0,611 |
-0,732 |
0,447 |
0,373 | |
|
|
|
|
|
0,421 |
2,240 |
Вычисляем d-статистику:
.
Обратившись к таблице 7 для n = 15, получаем du = 1,36; 4 – du = 2,64, откуда видно выполнение условия du < d < 4 – du, то есть можно сделать вывод об отсутствии автокорреляции остатков и о том, что модель тренда выбрана правильно.