- •Вступление
- •Общие методические указания
- •Раздел I
- •Лабораторная работа № 1
- •Среднесрочное прогнозирование
- •Порядок выполнения работы
- •Контрольные вопросы
- •Варианты заданий к лабораторной работе № 1
- •Множественная регрессия и корреляция Методические указания
- •Лабораторная работа № 2
- •Порядок выполнения работы
- •Входные данные
- •(Форма)
- •Пример расчета
- •Теоретические уровни тренда
- •Контрольные вопросы:
- •Статистические данные к лабораторной работе № 2
- •Раздел III
- •Сглаживание динамических рядов. Составляющие компоненты
- •Ряд Фурье и его использование в сглаживании и прогнозировании
- •Расчет параметров по ряду Фурье
- •Четыре периодические составляющие динамического ряда производства продукции м
- •Остаточная дисперсия и коэффициент детерминации по уравнениям с разным числом гармоник
- •Прогнозирование при наличии сезонной компоненты
- •С линейной тенденцией
- •Расчет показателей сезонности для числа официально зарегистрированых безработных
- •Сезонная компонента в аддитивной и мультипликативной моделях
- •Разложение уровней ряда по мультипликативной модели
- •Лабораторная работа № 3
- •С сезонной (периодической) компонентой
- •Порядок выполнения работы
- •Вспомогательная таблица
- •Вспомогательная таблица
- •Контрольные вопросы
- •Варианты заданий к лабораторной работе № 3
- •Раздел IV
- •Определение коэффициентов
- •Контрольные вопросы
- •Варианты заданий к лабораторной работе № 4
- •Раздел V Исследования качественных показателей в экономике Лабораторная работа № 5
- •Основные теоретические ведомости:
- •Пример тетрахорической таблицы:
- •Постановка задачи
- •Порядок выполнения:
- •Порядок выполнения:
- •Порядок выполнения:
- •Варианты заданий к лабораторной работе № 5
- •Литература:
- •14003, М. Чернігів, вул. Стрілецька, 1.
Сезонная компонента в аддитивной и мультипликативной моделях
Кварталы |
Аддитивная модель |
Мультипликативная модель |
||
|
|
|
|
|
I |
3,75 |
3,775 |
1,195 |
1,195 |
II |
-0,8 |
-0,775 |
0,958 |
0,958 |
III |
-4,45 |
-4,425 |
0,777 |
0,777 |
IV |
1,4 |
1,425 |
1,071 |
1,071 |
Итого |
-0,1 |
0 |
4,001 |
4,000 |
Для аддитивной модели Чтобы эта вличина была равна нулю, к каждому значению надо прибавить ¼ от 0,1, т.е. 0,025. Это и будет попра-вочный коэффициент для расчета показателя сезонности по аддитивной модели. По мультипликативной модели практически можно считать, что и най-денные средние для каждого квартала коэффициенты сезонности не требуют корректировки. Покажем ее лишь с методической точки зрения: поправочный ко-эффициент составит 4/4,001=0,99975; умножая на него получим скорректированные коэффициенты сезонности (см. табл. 3.7).
Сезонные показатели ( и ) используются при анализе для:
- исключения сезонности из данных;
- включения сезонности в прогноз.
Исключение сезонности позволяет получить более ясную картину тенденции. Чтобы удалить сезонную компоненту, можно разделить фактический уровень ря-да на коэффициент сезонности. Так если в октябре спрос на товар составил 300 ед., а коэффициент сезонности для октября 1,2, то устранив сезонный фак-тор, получим величину спроса в 250 ед. (300/1,2).
Если в нашем примере из фактических уровней динамического ряда вычесть сезонную компоненту , то получим значение уровней ряда без сезонности, т.е. тенденцию вместе со случайной составляющей. Далее, проведя аналитическое выравнивание этих данных, получим в виде уравнения тренда более четкое опи-сание собственно тенденции ряда при элиминировании как сезонности, так и слу-чайной составляющей. Используя затем уравнение тренда для прогноза, включа-ем в прогноз показатели сезонности, т.е. проводим суммарный прогноз: прогноз по тренду с учетом сезонной составляющей. Итак, по уравнению тренда находим теоретические уровни динамического ряда, обусловленные влиянием тенденции ( ), и далее определяем тренд с учетом сезонной волны:
– при аддитивной модели;
– при мультипликативной модели.
Включение сезонности в прогноз чаще основано на использовании мульти-пликативной модели.
Так, в нашем примере после удаления сезонной компоненты для мультипли-кативной модели уравнение тренда составило: (см. табл. 3.8).
Таблица 3.8
Разложение уровней ряда по мультипликативной модели
Годы |
Кварталы |
yi |
|
|
|
yS |
Ei |
Si |
εi |
2004 |
I II III IV |
25 20 16 22 |
1,195 0,958 0,777 1,070 |
20,9 20,9 20,6 20,6 |
21,6 21,2 20,7 20,3 |
25,8 20,3 16,0 21,7 |
0,969 0,985 1,000 1,014 |
0 |
-0,8 -0,3 0 0,3 |
2005 |
I II III IV |
24 19 15 20 |
1,195 0,958 0,777 1,070 |
20,1 19,8 19,3 18,7 |
19,8 19,4 18,9 18,5 |
23,6 18,6 14,6 19,8 |
1,017 1,022 1,027 1,010 |
0 |
0,4 0,4 0,4 0,2 |
2006 |
I II III IV |
22 17 14 16 |
1,195 0,958 0,777 1,070 |
18,4 17,7 18,0 15,0 |
18,1 17,6 17,2 16,7 |
21,6 16,8 13,4 17,8 |
1,018 1,012 1,045 0,899 |
0 |
0,4 0,2 0,6 -1,8 |
∑ |
230 |
12 |
230 |
230 |
230 |
12,018 |
0 |
0 |
В графе отражены уровни динамического ряда, сформированные под воздействием тенденции и случайности. Выравнивание их по линейной функции и приводит к уравнению вида при t=1,2,…,12. По уравне-нию тренда прослеживается тенденция к снижению числа зарегистрированных безработных: в среднем ежеквартально на 444 человека. Подставляя в это урав-нение значения t от 1 до 12, найдем теоретические значения уровней временного ряда, соответствующие рассмотренной тенденции (см. табл.3.8, графу ).
Чтобы дать прогноз на I квартал 2007 г., необходимо в наше уравнение трен-да подставить t=13. Соответственно прогноз по тренду составит 16,3 тыс. чело-век. Далее уточняем этот прогноз на сезонную компоненту, умножая на скоррек-тированный коэффициент сезонности I квартала, т.е. Для нашего примера тыс. человек. Для II квартала прогноз составит:
= (22,053-0,444t)∙0,958=(220,53-0,444∙14)∙0,958=15,8∙0,958=15,2 тыс. человек.
В табл. 3.8 в графе yS приведены уровни динамического ряда, обусловлены влиянием тенденции и сезонности. Влияние случайной составляющей (E) опре-делится как yi/yS. Чем оно меньше и ближе к 1, тем лучше модель описывает ис-ходный временной ряд. Отклонение значения случайной составляющей Е от 1 фиксирует, какую долю составляет случайный фактор в теоретическом значении уровня временного ряда. Как видно из табл. 3.8 в большинстве случаев влияние случайной компоненты не превышает 3% (лишь в последней позиции оно более весомо: 10,1%). Следовательно, рассмотренная мультипликативная модель хо-рошо описывает исходные данные и пригодна для прогнозирования. Это под-тверждает и расчет среднего.