Задача 3
Представить временной ряд графически, провести его сглаживание методом простой скользящей средней, оценить наличие тренда.
Построить уравнение неслучайной составляющей (тренда) временного ряда, проверить значимость построенного уравнения по F-критерию при уровне значимости α=0,05.
Дать точечную, интервальную оценки прогноза среднего и индивидуального значений с надежностью р=0,95 на 1 и 2 шага вперед.
Построить авторегрессионную модель временного ряда, дать точечный, интервальный прогноз среднего и индивидуального значений с надежностью р=0,95 на 1 и 2 шага вперед.
Сделать выводы по полученным результатам. Решение
Исходные данные представлены в таблице 11:
Таблица 11 – Объем продаж продовольственных товаров с 1 января 1990 г. в относительных единицах
Дата |
11 |
Дата |
11 |
01.01.1993 |
212 |
01.07.1994 |
203 |
01.02.1993 |
236 |
01.08.1994 |
227 |
01.03.1993 |
238 |
01.09.1994 |
243 |
01.04.1993 |
269 |
01.10.1994 |
236 |
01.05.1993 |
220 |
01.11.1994 |
245 |
01.06.1993 |
211 |
01.12.1994 |
225 |
01.07.1993 |
178 |
01.01.1995 |
191 |
01.08.1993 |
198 |
01.02.1995 |
175 |
01.09.1993 |
203 |
01.03.1995 |
207 |
01.10.1993 |
211 |
01.04.1995 |
218 |
01.11.1993 |
263 |
01.05.1995 |
216 |
01.12.1993 |
238 |
01.06.1995 |
252 |
01.01.1994 |
256 |
01.07.1995 |
237 |
01.02.1994 |
256 |
01.08.1995 |
242 |
01.03.1994 |
266 |
01.09.1995 |
249 |
01.04.1994 |
295 |
01.10.1995 |
284 |
01.05.1994 |
242 |
01.11.1995 |
280 |
01.06.1994 |
240 |
|
|
Представим с помощью MS Excel временной ряд графически и проведем его сглаживание методом простой скользящей средней с длиной интервала сглаживания равной 12:
Рисунок 5 – Исходный ряд MS Excel
Таблица 12 – Сглаживание исходных данных с помощью простой скользящей средней
Объем продаж продовольственных товаров с 1 января 1990 г |
простая скользящая средняя |
212 |
|
236 |
|
238 |
|
269 |
|
220 |
|
211 |
|
178 |
207,6153846 |
198 |
210,0769231 |
203 |
211,9230769 |
211 |
214 |
263 |
215,8461538 |
238 |
217,8076923 |
256 |
219,8846154 |
256 |
221,9615385 |
266 |
224,6153846 |
295 |
227,1153846 |
242 |
227,3846154 |
240 |
226,1923077 |
203 |
223,1923077 |
227 |
217,5769231 |
243 |
212,1923077 |
236 |
206,9615385 |
245 |
203 |
225 |
202,4615385 |
191 |
204,2307692 |
175 |
206,1153846 |
207 |
206,9230769 |
218 |
209 |
216 |
212,1923077 |
252 |
|
237 |
|
242 |
|
249 |
|
284 |
|
280 |
|
Рисунок 6 – Исходный ряд и скользящая средняя MS Excel
Исходя из графического представления временного ряда, можно предположить, что временной ряд имеет линейную тенденцию к повышению с явно просматривающейся сезонной компонентой.
2. Использую надстройку MS Excel «анализ данных: регрессия» построим линейное уравнение тренда:
Рисунок 7 – Линейная регрессия
Оценим значимость модели с помощью F-критерия Фишера.
Так как, табличное значение больше расчетного , модель не значима по критерию Фишера.
3. Точечный прогноз индивидуального значения с надёжностью на 1 и 2 шага вперёд приведен в относительных единицах:
Прогноз на 1 шаг (на 1 декабря 1995 года):
Прогноз на 2 шаг (на 1 января 1996 года):
Интервальная оценка прогноза индивидуального значения задаётся с помощью доверительного интервала , где .
, .
На 1 шаг: .
На 2 шага: .
Интервальная оценка прогноза индивидуального значения объёма продаж на 1 декабря 1995 года составляет .
Интервальная оценка прогноза индивидуального значения объёма продаж на 1 января 1996 года составляет .
Для интервальной оценки прогноза среднего значения величина отклонения от линии регрессии рассчитывается по зависимости.
На 1 шаг: .
На 2 шага: .
Интервальная оценка прогноза среднего значения объёма продаж на 1 декабря 1995 года составляет .
Интервальная оценка прогноза среднего значения объёма продаж на 1 января 1996 года составляет .
Для построения авторегрессионной модели оценим коэффициенты автокорреляции для разных лагов (Таблица 13)
Таблица 13 – Коэффициенты автокорреляции
лаг |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
rxy |
0,609 |
0,346 |
0,014 |
0,162 |
0,149 |
0,269 |
0,177 |
0,445 |
Как видно из таблицы 14, самым большим и значимым является коэффициент автокорреляции между соседними уровнями ряда, поэтому будем строить авторегрессионную модель первого порядка:
Рисунок 8 – Авторегрессионная модель
Получаем следующую авторегрессионную модель:
yt=88,82+0,6298yt-1
Точечный прогноз индивидуального значения с надёжностью на 1 и 2 шага вперёд приведен в относительных единицах:
Прогноз на 1 шаг (на 1 декабря 1995 года):
Прогноз на 2 шаг (на 1 января 1996 года):
Интервальная оценка прогноза индивидуального значения задаётся с помощью доверительного интервала , где .
, .
На 1 шаг: .
На 2 шага: .
Интервальная оценка прогноза индивидуального значения объёма продаж на 1 декабря 1995 года составляет .
Интервальная оценка прогноза индивидуального значения объёма продаж на 1 января 1996 года составляет .
Для интервальной оценки прогноза среднего значения величина отклонения от линии регрессии рассчитывается по зависимости.
На 1 шаг: .
На 2 шага: .
Интервальная оценка прогноза среднего значения объёма продаж на 1 декабря 1995 года составляет .
Интервальная оценка прогноза среднего значения объёма продаж на 1 января 1996 года составляет .
5. Оценка объема продаж продовольственных товаров с 1 января 1990 г. В относительных единицах была проведена с помощью уравнения линейной регрессии и авторегрессионной модели. Исходя из графического представления временного ряда, можно предположить, что временной ряд имеет линейную тенденцию к повышению с явно просматривающейся сезонной компонентой. Из проведенного анализа, можно сделать вывод, что наиболее подходящей является авторегрессионная модель. Данная модель является значимой по критерию Фишера, а коэффициенты модели значимы по критерию Стьюдента. Точность построения модели можно оценить с помощью средней относительной ошибки аппроксимации. - точность модели высокая.