В качестве исходной информации для лабораторной работы использован вектор наблюдений в 48 значений. Для него необходимо выполнить действия, которые лежали в основе первой лабораторной работы, а именно выявить общую тенденцию изменения во времени исследуемого показателя и выделить циклическую составляющую.
1-й этап. Выделение трендовой составляющей временного ряда.
Анализ остаточной компоненты.
1.1 Проверка гипотезы о существовании тенденции в динамическом ряду.
Проверка осуществлялась с помощью метода «равенства средних».
(см. Приложение №1)
1.2 Выделение тренда в исходного ряда.
Выяснили, что тенденция в ряду присутствует, приступим к ее выделению. Для этого подберем трендовую модель, статистический критерий выбора оптимальные значения .
------------------------------------------------------------
- -----------------------------------------------------------
Лучшей в данном случае трендовой моделью является функция Y=14.4123+41.58/t (Reciprocal-X), основные характеристики и параметры которой удовлетворяют всем требованиям. Построение данного тренда и его характеристики представлены в Приложении №2
Построим тренд, и выделим остатки в исходном динамическом ряду:
Визуальный анализ графика остатков позволяет выдвинуть предположение о существовании некой периодической составляющей. Но это предположение нужно еще доказать.
2-й этап. Выделение циклической составляющей временного ряда.
Стационарный случайный процесс может быть представлен в виде суммы гармонических колебаний различных частот, называемых гармониками.
Стационарная случайная функция X(t) может быть представлена в виде канонического разложения:
где – некоррелированные случайные величины с математическими ожиданиями, равными нулю, и одинаковыми дисперсиями, то есть
Подобное разложение называют спектральным разложением стационарного случайного процесса X=X(t). Спектр стационарной случайной функции описывает распределение дисперсий по различным частотам.
2.1 Определение длины периода m.
2.1.1 Построение периодограммы средствами ПП StatsGrafics. (Приложение №3)
По максимальному значению ординаты на графике определяем, что длина периода в ряду равна m=16.
2.1.2 Определение длины периода m аналитическим способом. Оценки Парзена.
Оценки Парзена подразумевают под собой проведение спектрального анализа временного ряда. Цель этого анализа – это дать оценку спектра ряда. Под спектром временного ряда понимают разложение дисперсии ряда по частотам для определения существенных гармонических составляющих.
Значение спектра оценивается по формуле
частоты, для которых оцениваются спектры ,
- автоковариационная функция, - специально подобранные веса значений ковариационной функции, зависящие от частоты m.
Существуют оценки Тьюки-Хеннинга и Парзена. Оценки Парзена лучшие, так как они никогда не принимают отрицательных значений. Веса для них находятся по формуле:
Значения автоковариационной функции определяются
zt – отклонения от тренда .
Тогда формула для расчета оценок спектра примет вид:
По максимальному находится пик спектра; гармоническая составляющая имеет период
Рассмотрим применения методики спектрального анализа на нашем примере.
Примем m=n/6. Где n=48. k=0,1,2…16. Тогда
С0 |
99,3202 |
С9 |
-71,5562 |
С1 |
84,1677 |
С10 |
-50,3635 |
С2 |
66,2868 |
С11 |
-29,705 |
С3 |
95,2687 |
С12 |
1,4226 |
С4 |
2,3894 |
С13 |
22,8662 |
С5 |
-32,2125 |
С14 |
45,9918 |
С6 |
-55,9175 |
С15 |
54,6417 |
С7 |
-75,3713 |
С16 |
60,617 |
С8 |
-74,7106 |
|
|
Веса автоковариационной функции
0=1 4=0,71875 8=0,25 12=0,03125 0=0
1=0,9780 5=0,59717 9=0,16748 13=0,01318
2=0,91797 6=0,47266 10=0,1055 14=0,003906
3=0,8286 7=0,3540 11=0,06104 15=0,000488
Используя значения автоковариационной функции и ее веса, вычислим оценки спектра:
u0=89,3135 u4=35.3559 u8=27.9171 u12=40.1454 u16=16.6453
u1=98,1093 u5=12,5953 u9=40,9614 u13=36,6868
u2=120,213 u6=21,4791 u10=51,8313 u14=29,6127
u3=94,0694 u7=26,0096 u11=48,0512 u15=18,5253
Сравнивая оценки спектра , видим, что пик в спектре временного ряда остатков находится в точке . Следовательно, в исследуемом ряду имеется существенная гармоническая составляющая с периодом месяцам.
Построим нашу функцию