- •4.1. Ряды динамики и предварительная обработка
- •4.1.1. Основные определения
- •4.1.3. Среднее значение уровней ряда динамики и его числовых характеристик
- •4.2. Аналитическая модель рядов динамики
- •4.2.1. Факторы, влияющие на формирование значений уровней рядов динамики
- •4.2.3. Основные задачи уровней рядов динамики
- •4.3. Неслучайная составляющая рядов динамики и точечный прогноз
- •4.3.1. Проверка гипотезы о наличии неслучайной составляющей
- •4.4. Случайные составляющие рядов динамики и интервальный прогноз
- •4.4.1. Природа возникновения случайных факторов
- •4.4.2. Условия получения «хороших» оценок для случайной составляющей
- •4.4.3. Проверка гипотезы о случайности,
- •4.5.4. Проверка адекватности и точности многофакторной модели
- •4.5.6. Прогнозирование с помощью многофакторных моделей
4.4.3. Проверка гипотезы о случайности,
отсутствии автокорреляции и нормальном распределении значений ряда остатков
Из п. 4.4.2 следует, что для ряда остатковможно получить «хорошие» оценки, если он удовлетворяет следующим условиям:
— случайная величина;
значения ряда остатков не коррелируют между собой (отсутствие автокорреляции);
величиныподчинены нормальному закону распределения.
Обозначим — число поворотных точек.
Правило
проверки гипотезы.Если
число поворотных точек
при этом [*] — целая часть числа, то ряд остатков (4.34) есть случайный ряд чисел.
ПРИМЕР 4.19.Для ряда динамики из примера 4.7 проверить гипотезу случайности ряда остатков.
В примере 4.17 было доказано, что наиболее точной являетсямодель (4.30). Там же были найдены значенияОпределимвтабл. 4.14 число поворотных точек (отметим их знаком «+»).
Таблица
4.14
Расчеты
к примеру 4.19
Из таблицы следует, что все значения ряда остатков расположены в порядке возрастания, поворотных точек нет,
С другой стороны, целая часть числа
Неравенство не выполняется. На основании правила проверки гипотезы заключаем: гипотеза о случайности значений ряда остатков исследуемого ряда динамики отвергается.
Выяснить наличие или отсутствие автокорреляции между значениями ряда остатков можно с помощью-критерия Дарбина—Уотсона. Для этого необходимо подсчитать наблюдаемое значение
Если полученное значение меньше 2,
то проверяется гипотеза о наличии (отсутствии) положительной автокорреляции. В случае
рассматривается гипотеза о наличии (отсутствии) отрицательной автокорреляции.
Наблюдаемое значение сравнивают с критическимии
которые находятся по табл. 3 Приложения С в зависимости от уровней значимости а,числа уровней пи числаv= кфакторных признаков в модели.
Для проверки гипотезы о наличии отрицательной автокорреляции необходимо также найти
Правило проверки гипотезы:
если
то имеет место положительная (отрицательная) автокорреляция;
если
то однозначный ответ о наличии положительной (отрицательной) автокорреляции дать нельзя;
если
тогипотеза о наличии положительной (отрицательной) автокорреляции отвергается.
Затем определяют наблюдаемое значение
критерия
которое сравнивают с критическим
рассчитываемым по табл. С2 Приложения С в зависимости от уровня значимости а и числа степеней свободы
Правило проверки гипотезы. Если
(4.35)
то это с уровнем значимости а свидетельствует о существенностичто означает: между значениями ряда остатков присутствует автокорреляция.
ПРИМЕР 4.20. С вероятностьюподтвердить или
опровергнуть гипотезу о наличии автокорреляции между значениями ряда остатков из примера 4.7.
Произведем все необходимые вычисления в табл. 4.15 (значенияподсчитаны в примере 4.19).
Таблица
4.15
Расчеты
к примеру 4.20
Поскольку неравенство (4.35) выполняется, то с указанной вероятностью заключаем: между значениями рада остатков автокорреляция присутствует.
Проверка гипотезы о нормальном распределении ряда остатков может быть осуществлена известными методами (например, с помощью критерия согласия Пирсона). Для рядов динамики наиболее применим следующий метод.
Правило проверки гипотезы.Если одновременно выполняются оба неравенства
то гипотеза о нормальном распределении ряда остатков принимается.
Здесьи— значения асимметрии и эксцесса, соответственно равные:
ПРИМЕР 4.21.Проверить гипотезу о нормальном распределении ряда остатков из примера 4.7. Выполним все необходимые вычисления в табл. 4.16 (значенияподсчитаны в примере 4.19).
Таблица
4.16
Расчеты
к примеру 4.21
Видим, что оба неравенства (4.36) проверки гипотезы не выполняются. Следовательно, гипотеза о нормальном распределении ряда остатков отвергается.
Отметим, что гипотеза о нормальном распределении значений ряда остатков с помощью указанной методики корректно может быть проверена для рядов динамики с числом уровней Следовательно, для исследуемого случая она не даст однозначного ответа.
4.4.4. Интервальный прогноз
После ввода, анализа и обработки случайных остатков анализируемого ряда динамики можно уточнить точечный прогноз значений уровней с помощью интервального прогноза, который осуществляется с помощью доверительной вероятности(уровня значимостиI.
Утверждается, что значениенаходится в интервале
при этом— значение точечного прогноза на рассматриваемый период,
ПРИМЕР 4.22.С вероятностью 0,95 определить границы интервала, в котором будет находиться величина объема продаж торгующей организации в феврале 2008 г. (данные примера 4.7). Выполним все необходимые вычисления в табл. 4.17.
Таблица
4.17
Расчеты
к примеру 4.22
Отсюда
Тогда верхняя и нижняя границы интервала прогнозирования соответственно равны:
Итак, с вероятностью 0,95 можно утверждать, что объем продаж торгующей организации в феврале 2008 г. будет находиться в пределах от 1,1221 до 1,1379 млн руб.
4.5. Многофакторные модели
4.5.1. Основные положения
Согласно
примеру 4.18 точечный прогноз на февраль
составляет
Примерами многофакторных моделей могут служить:
линейная модель
в частности, для двух факторных признаков линейная модель имеет вид
степенная модель
частным случаем которой является производственная функция Кобба—Дугласа
показательная модель
t
параболическая модель
гиперболическая модель
Множественная регрессия отвечает на те же вопросы и решает те же задачи, что и парная.
Построение модели множественной регрессии включает в себя этапы:
1) выбор формы связи (уравнения регрессии);
отбор факторных признаков;
обеспечение достаточного объема совокупности для получения несмещенных оценок.
4.5.2. Множественный коэффициент корреляции
виде
Остаточную дисперсию можно найти, подсчитав определитель матрицы, состоящей из парных коэффициентов линейной корреляциимежду результативным признаком бифакторнымиX.,а также межфакторных коэффициентов линейной корреляции
Общая дисперсия может быть найдена как определитель матрицы, состоящей из межфакторных коэффициентов линейной корреляции:
Парные и межфакторные коэффициенты линейной корре ляции определяются по формулам:
или
или
Значение множественного коэффициента линейной корреля ции должно быть больше парных коэффициентов корреляции. Если число факторных признаков равно двум, то
ПРИМЕР 4.23.Дана зависимость между факторамии У (табл.4.18).
Таблица 4.19
Расчеты
к примеру 4.23
Исходные
данные к примеру 4.23
Вычислить множественный коэффициент корреляции и установить вид уравнения линейной регрессии.
Следуя соответствующим определениям, найдем все необходимые данные для вычисления множественного коэффициента корреляции (табл. 4.19).
Величина свидетельствует о достаточ
но тесной связи между рассматриваемыми факторами и высокой степени линейности корреляционной зависимости.
4.5.3. Уравнение многофакторной модели
Уравнение многофакторной модели может быть получено с помощью метода наименьших квадратов путем решения системы нормальных уравнений.
Существует другой, упрощенный способ
нахождения параметров
ПРИМЕР 4.24.По данным примера 4.20 найти вид уравнения множественной регрессии.
Составим и решим систему нормальных уравнений. Все необходимые расчеты были сделаны в примере 4.23: