- •2. Основные этапы построения модели временного ряда
- •4. Метод декомпозиции временного ряда. Предпосылки к его применению для прогнозирования. Основные структурно образующие компоненты в декомпозиции временного ряда. (с. 62)
- •5. Понятие тренда. Понятие кривой роста. Примеры кривых роста, используемых в прогнозировании социально-экономических процессов. (с. 33)
- •6. Полиномиальные кривые. Их свойства. Использование метода характеристик прироста для выбора степени полинома. (с 16,37)
- •8. Что такое линеаризация модели? Как выполняется линеаризация простой экспоненты? Как используется это преобразование в оценке параметров модели и получении интервального прогноза?
- •9. Метод оценки параметров моделей линейного и экспоненциального тренда по двум точкам.
- •11.Свойства мнк-оценок параметров модели. Условия Гаусса-Маркова.
- •2.Условие постоянства дисперсии случайной компоненты (гомоскедастичность).
- •13. Показатели, используемые для оценки точности трендовых прогнозных моделей.
- •14. Понятия адекватности прогнозной модели.
- •15. Формула интервального прогноза по модели линейного тренда. Для каких ещё кривых роста можно её применять?
- •16.Ретроспективный прогноз. Верификация прогноза.
- •17.Сезонная неравномерность, ее показатели. Понятие индекса сезонности. Метод оценки сезонной компоненты усреднением по числу периодов сезонности.
- •18. Понятия экстраполяции и периода упреждения в прогнозировании. Выбор длины периода упреждения.
- •20. Модели авторегрессии. Предпосылки к применению этих моделей. Преобразование исходных данных для построения модели авторегрессии.
- •21. Понятие частной автокорреляционной функции. Ее применение для оценки порядка модели авторегрессии.
- •22. Применение метода скользящего среднего в краткосрочном прогнозировании. Простое скользящее среднее и экспоненциальное сглаживание.
- •23. Модели Брауна нулевого и первого порядка.
- •24.Многофакторная модель временного ряда. Методы отбора факторов
- •25.Построение модели регрессии на главных компонентах.
17.Сезонная неравномерность, ее показатели. Понятие индекса сезонности. Метод оценки сезонной компоненты усреднением по числу периодов сезонности.
Сезонная компонента чаще всего служит главным источником краткосрочных колебаний временного ряда, так что ее выделение заметно снижает вариацию остаточной компоненты. Сезонная компонента временного ряда описывает поведение, изменяющееся регулярно в течение заданного периода (года, месяца, недели, дня и т.п.). Она состоит из последовательности почти повторяющихся циклов. Примером сезонного эффекта является объем продаж в декабре каждого года в преддверии Нового года.
На практике считается, что оценки сезонных эффектов недостаточно точны, если число периодов сезонности в исследуемом временном ряде меньше пяти-шести. При изменяющихся параметрах сезонности можно применить адаптивную модель Хольта-Винтерса, рассмотренную ниже (п. 7.4).Сезонная компонента ряда может представлять интерес как сама по себе, так и выступать в роли мешающего фактора при выявлении основной тенденции. Задачи исследователя - построить модель сезонной компоненты и устранить сезонную компоненту из ряда.
Сезонной волной (или индексами сезонности) называют усредненное по числу циклов отношение значения показателя в данном сезоне к среднему значению для данного цикла сезонности (например, отношение показателя июля месяца к среднему уровню текущего года). Сумма индексов равна длине цикла: 12 для данных, наблюдаемых помесячно, 4 для данных, наблюдаемых поквартально, 7 при ежедневном сборе информации.
Индексы сезонности вычисляются усреднением значений, полученных как первое приближение, по одноименным сезонам (дням недели, месяцам, кварталам). При наличии резко выделяющихся наблюдений можно выполнить расчет модифицированного среднего: исключаются минимальное и максимальное значения для каждого сезона и усредняются оставшиеся значения. Можно также вместо среднего использовать медиану
Первое приближение индексов сезонности определяется как отношение фактических уровней ряда к значениям, полученным механическим или аналитическим выравниванием. Для расчета могут использоваться:
значения, полученные укрупнением (суммированием или усреднением); результаты усреднения по методу скользящей средней с периодом, равным длине цикла сезонности;значения, рассчитанные по модели тренда.
Использование индексов сезонности соответствует мультипликативной тренд-сезонной модели. При необходимости индексы корректируют делением полученных значений на их среднее арифметическое (по первому определению индекса сезонности) или на их сумму (по второму определению).
18. Понятия экстраполяции и периода упреждения в прогнозировании. Выбор длины периода упреждения.
Задачей аналитического выравнивания является определение не только общей тенденции развития явления, но и некоторых недостающих значений как внутри периода так и за его пределами. Способ определения количественных значений за пределами ряда называют экстраполяцией. Экстраполирование используется для прогнозирования как основного показателя, так и тех факторов, которые в прошлом и настоящем обуславливают развитие явления и могут оказать влияние на его развитие в будущем. Экстраполяция, проводимая в будущее, называется перспективной и в прошлое - ретроспективной. Кроме аналитического выравнивания экстраполировать и интерполировать можно также по средней арифметической, по среднему абсолютному приросту, по среднему темпу роста.
Под периодом упреждения при прогнозировании понимается отрезок времени от момента, для которого имеются последние статистические данные об изучаемом объекте, до момента, к которому относится прогноз. По периоду упреждения (по горизонту прогнозирования) выделяют следующие виды прогнозов:
-текущий (оперативный) прогноз с перидом упреждением (промежутком времени на который разрабатывается прогноз) до одного месяца;
-краткосрочный прогноз (от одного месяца до одного года);
среднесрочный прогноз (от одного года до трех лет);
-долгосрочный прогноз (от трех до пяти лет);
-дальнесрочный прогноз (от пяти до десяти лет).
Указанные виды прогнозов, естественно, различаются по своему существу. Долгосрочные и, в известной мере, среднесрочные прогнозы нацелены на выявление общей тенденции развития экономической характеристики. Обычно предполагается , что в будущем в силу воздействия кратковременных, в том числе случайных факторов, будут наблюдаться некоторые отклонения от этой тенденции. Краткосрочные прогнозы предназначены для выполнения другой функции. С их помощью пытаются уловить конкретные реализации изучаемого процесса, иначе говоря, краткосрочные прогнозы оценивают влияние тех факторов, которые и приводят к отклонениям от долговременных тенденций.
Чем короче срок экстраполяции (период упреждения), тем более надежные и точные результаты (при прочих равных условиях) дает прогноз. Операцию экстраполяции в общей форме можно представить в виде определения значения функции:
Yi + L = F (Yik * L)
где Yi + L - экстраполируемое значение уровня; L - период упреждения; Yik - уровень, принятый за базу экстраполяции
19.Автокорреляционной функцией (АКФ) называют функцию rk от задержки k. Множество значений коэффициентов автокорреляции со сдвигом (лагом) на 1, 2 и т.д. представляют в виде таблице. Графическое представление – в виде гистограммы (столбчатой или линейчатой). Функция rk симметрична относительно 0, потому обычно рассматриваются только k>0. Автокорреляция случайного процесса описывает корреляцию между значениями процесса в различные моменты времени. Наиболее часто АКФ вычисляют для стационарного ряда. Случайный процесс является строго стационарным, если его вероятностная структура (закон распределения) зависит только от величины сдвига во времени и не зависит от начала отсчета. Менее жесткое требование, называемое слабой стационарностью, заключается в том, что только от сдвига во времени зависят моменты до некоторого порядка. Так, у стационарного процесса 2-го порядка среднее значение и дисперсия постоянны, а автокорреляционная функция зависит только от величины сдвига и не зависит от начала отсчета.
В статистике имеется имеется несколько формул для оценки коэффициента автокорреляции rk со сдвигом k. Для стационарного ряда наиболее удовлетворительной признана оценка
, где
n – длина ряда; – среднезначение ряда; – наблюдаемый уровень ряда в момент времени t; – наблюдение на k периодов позднее, т.е. в момент времени t + k; – оценка дисперсии ряда у; – оценка автоковариации при сдвиге на k периодов. Коэффициент автокорреляции для различных сдвигов во времени может использоваться для получения ответа на следующие вопросы о наборе данных, являющийся временным рядом:
являются ли данные случайными;
имеют ли данные тренд;
являются ли данные стационарными;
имеются ли сезонные или циклические колеба
ния.
Если ряд данных случаен, то коэффициент автокорреляции между и для любого запаздывания k близки к 0. Последовательные значения временного ряда не связаны друг с другом.
Если у ряда существует тренд, значения и имеют сильную положительную корреляцию, и коэффициенты автокорреляции с увеличением сдвига медленно убывают. Из нескольких моделей наиболее адекватной считается та, у которой коэффициент автокорреляции со сдвигом 1 ближе к 0.
Если ряд имеет сезонную компоненту, значительный положительный коэффициент автокорреляции будет наблюдаться для сдвигов, равных сезонному периоду и кратных ему. Коэффициент автокорреляции для сдвига, равного одному периоду, часто очень велик (близок к +1). Коэф. автокоррел. Для запаздывания, равного двум периодам, также будет велик, однако меньше, чем для времени запаздывания в один период.
Для пилообразной колеблемости коэф. автокорреляции для сдвига k–1 близок к -1