Построение тренда
Построим тренд по 30 данным.
Формула
|
R2 |
Коэффициент Тейла |
Linear Y=10,5285+2,46805*t |
99,63 |
0,0242 |
Square root-Y Y=(4,00091+0,177668*t)2 |
95,48 |
0,0551 |
Multiplicative Y=8,86971*t0,1643202 |
94,60 |
0,0996 |
Square root-X Y=-18,6898+18,3435*sqrt(t) |
88,79 |
0,0729 |
Перестроим модель вида y=a+b*t тренда по 35 данным:
10,2919+2,4895*t
Дисперсия |
2,33 |
Среднее квадратическое отклонение |
1,53 |
Значение Т-статистики |
2,04 |
Найдем доверительные интервалы для прогноза и оценок модели:
9,183911,41
2,422,55
t(34, 0,05)=2,04
Доверительный интервал: 96,60103,21
ПРОВЕРКА ГИПОТЕЗЫ О ПРАВИЛЬНОСТИ ВЫБОРА ВИДА ТРЕНДА
Проверка гипотезы о правильности выбора вида тренда заключается в том, что отклонения от тренда будут носить случайный характер.
Критерий серий (основанный на медиане выборки)
Рассчитаем отклонения от тренда 1,2, … ,30 , отсортировав, найдем медианное значение. Рассмотрим исходный ряд отклонений и сравним полученные значения с медианным мед по следующему правилу
Последовательность идущих подряд 1 или –1 называется серией. Если отклонения от тренда случайные, то чередование серий должно быть также случайным. Для аналитической оценки случайности отклонений используют следующий метод: подсчитывают длину самой длинной серии Кмах(30) и общее число серий (30). Выборка признается случайной если выполняются следующие неравенства (для 5% уровня значимости):
В результате расчетов получили, что медиана мед = -2,15,
Kmax(30) = 6 < 8,175
(30) = 23 > 10,223.
Таким образом, отклонение уравнений временного ряда от тренда случайно, и уравнение тренда составлено правильно.
ПРОВЕРКА ГИПОТЕЗЫ О СТАЦИОНАРНОСТИ СЛУЧАЙНОГО КОМПОНЕНТА
Основным условием стационарности случайного процесса является зависимость автокорреляционной функции только от разности аргументов
ti – tj = . На практике ориентируются на n / 4, в нашем случае = 7.
Для проверки гипотезы о том, что значение автокорреляционной функции зависит не от выбора начала отсчета наблюдений, а только от величины сдвига , найдем для случайного компонента t (t = 1, …, 30) значения автокорреляционной функции . Затем, исключив последнее наблюдение найдем новую автокорреляционную функцию , и так далее, исключая k (k = 0, 1, …, K) наблюдений, получим = 7 групп, содержащих по K + 1 коэффициентов автокорреляции, так как рассматриваемый ряд наблюдений содержит 30 значений, то возьмем К=10, большее количество брать не целесообразно, т.к. ряд не будет коротким и полученные коэффициенты не будут адекватными реальной ситуации.
Для стационарного в широком смысле случайного процесса коэффициенты автокорреляции, входящие в одну и ту же группу должны быть однородными.
Для проверки на однородность для каждого из вычисляют величину z-критерия , затем рассчитывают для каждой группы . Далее для каждой группы рассчитывается значение , которое сравнивается табличным 2 (K).
Если 2расч < 2 (K), то гипотеза об однородности -й группы не отвергается. Если гипотеза об однородности не отвергается для всех групп, то можно принять, что автокорреляционная функция зависит не от начала отсчета, а только от разности ti – tj = , т.е. случайный компонент представляет собой стационарный в широком смысле случайный процесс.
Таблица коэффициентов автокорреляции и Z-критерий представлена в приложении №1.
Приведем результаты расчетов 2расч .
|
= 1 |
= 2 |
= 3 |
= 4 |
= 5 |
= 6 |
= 7 |
2(0.05, 10) |
2расч |
0,307 |
0,174 |
2,549 |
0,83 |
0,621 |
0,771 |
0,456 |
18.3 |
Таким образом, можно предположить, что отклонения от линейного тренда являются стационарным в широком смысле случайным процессом.
Для наглядности построим коррелограмму, которая в будущем может использоваться для выбора глубины авторегрессионной модели.
ОПРЕДЕЛЕНИЕ НАЛИЧИЯ АВТОКОРРЕЛЯЦИИ В ИСХОДНОМ РЯДУ С ПОМОЩЬЮ КРИТЕРИЯ ДАРБИНА-УОТСЕНА
, где dt = yt - ytp. Из данной формулы с помощью преобразований можно получить, что DW[0;4]. Причем при DW = 0 – положительная автокорреляция, DW = 2 – нет автокорреляции, DW = 4 – отрицательная автокорреляция.
Полученное значение сравнивается с табличными верхним dh и нижним dl значениями, выбираемыми при уровне значимости , числе факторов в модели и числе членов временного ряда n.
Могут иметь место следующие случаи:
DW < dl – положительная автокорреляция;
dh < DW < 4 - dh – отсутствие автокорреляции;
DW > 4 – dl – отрицательная автокорреляция;
dl < DW < dh или 4 - dh < DW < 4 – dl – нет статистических оснований принять или отвергнуть гипотезу об отсутствии автокорреляции.
В результате расчетов получили, что DW = 3.0005; при = 0.05, = 1,
n = 30 - dl = 1.35 , dh = 1.49. Тогда 4 – dl = 2.65, 4 – dh = 2.61.
В рассматриваемом случае DW > 4 – dl – отрицательная автокорреляция, поэтому можно переходить к построению авторегрессионой модели.