 |
Методы нахождения параметров уравнения тренда
|
|
|
|
Вопрос 59.
Основные задачи анализа временных рядов.
Временные ряды отражают тенденцию изменения параметров системы во времени, поэтому входным параметром X является момент времени.
Выходной параметр Y называется уровнем ряда. В случае отсутствия ярко выраженных изменений в течение времени, общая тенденция сохраняется. Ряд можно описать уравнением вида:
YT = F (t) + ET, где:
F (t) - детерминированная функция времени.
ET - случайная величина.
Во временных рядах проводится операция анализа и сглаживания тренда, который отражает влияние некоторых факторов. Для построения тренда применяется МНК-критерий.
Существуют моментальные и интервальные ряды. В моментальных рядах отражаются абсолютные величины, по состоянию на определенный момент времени, а в интервальных - относительные величины (показатель за год, месяц, и т.д.). Исследование данных при помощи рядов позволяет во многих случаях более четко представить детерминированную функцию. При этом рассчитываются базисные и цепные показатели (прирост, коэффициент роста, коэффициент роста, темп роста, темп прироста, и др.). Под базисными показателями понимают, показатели, которые соотносятся к начальному уровню ряда. Цепные показатели относятся к предыдущему уровню.
Прогноз явлений по временным рядам состоит из двух этапов:
- Прогноз детерминированной компоненты.
- Прогноз случайной компоненты.
Обе проблемы связаны с анализом результатов парных экспериментов. В отличие от аппроксимации и интерполяции анализ временных рядов включает в себя методы оценки случайных компонент. Поэтому прогнозирование при помощи временных рядов является более точным.
Методы нахождения параметров уравнения тренда
|
|
|
Одна из важнейших задач статистики - определение в рядах динамики общей тенденции развития. Основной тенденцией развития называется плавное и устойчивое изменение уровня во времени, свободное от случайных колебаний. Задача состоит в выявлении общей тенденции в изменении уровней ряда, освобожденной от действия различных факторов.
Изучение тренда включает два основных этапа:
- ряд динамики проверяется на наличие тренда;
- производится выравнивание временного ряда и непосредственно выделение тренда с экстраполяцией полученных результатов.
С этой целью ряды динамики подвергаются обработке методами укрупнения интервалов, скользящей средней и аналитического выравнивания:
1. Метод укрупнения интервалов.
Одним из наиболее элементарных способов изучения общей тенденции в ряду динамики является укрупнение интервалов. Этот способ основан на укрупнении периодов, к которым относятся уровни ряда динамики. Например, преобразование месячных периодов в квартальные, квартальных в годовые и т.д.
2. Метод скользящей средней.
Выявление общей тенденции ряда динамики можно произвести путем сглаживания ряда динамики с помощью скользящей средней.
При этом посредством усреднения эмпирических данных индивидуальные колебания погашаются, и общая тенденция развития явления выражается в виде некоторой плавной линии (теоретические уровни). И так, суть метода заключается в замене абсолютных данных средними арифметическими за определенные периоды.
Скользящая средняя обладает достаточной гибкостью, но недостатком метода является укорачивание сглаженного ряда по сравнению с фактическим, что ведет к потери информации. Кроме того, скользящая средняя не дает аналитического выражения тренда.
Период скользящей может быть четным и нечетным. Практически удобнее использовать нечетный период, так как в этом случае скользящая средняя будет отнесена к середине периода скольжения.
|
|
|
Полученные средние записываются к соответствующему срединному интервалу.
Особенность сглаживания по четному числу уровней состоит в том, что каждая из численных (например, четырехчленных) средних относится к соответствующим промежуткам между смежными периодами. Для получения значений сглаженных уровней соответствующих периодов необходимо произвести центрирование расчетных средних.
Недостатком способа сглаживания рядов динамики является то, что полученные средние не дают теоретических рядов, в основе которых лежала бы математически выраженная закономерность.
3. Метод аналитического выравнивания.
Более совершенным приемом изучения общей тенденции в рядах динамики является аналитическое выравнивание. При изучении общей тенденции методом аналитического выравнивания исходят из того, что изменения уровней ряда динамики могут быть с той или иной степенью точности приближения выражены определенными математическими функциями. Вид уравнения определяется характером динамики развития конкретного явления. Логический анализ при выборе вида уравнения может быть основан на рассчитанных показателях динамики, а именно:
· если относительно стабильны абсолютные приросты (первые разности уровней приблизительно равны), сглаживание может быть выполнено по прямой;
· если абсолютные приросты равномерно увеличиваются (вторые разности уровней приблизительно равны), можно принять параболу второго порядка;
· при ускоренно возрастающих или замедляющихся абсолютных приростах - параболу третьего порядка;
· при относительно стабильных темпах роста- показательную функцию.
Для аналитического выравнивания наиболее часто используются следующие виды трендовых моделей: прямая (линейная), парабола второго порядка, показательная (логарифмическая) кривая, гиперболическая.
Цель аналитического выравнивания - определение аналитической или графической зависимости. На практике по имеющемуся временному ряду задают вид и находят параметры функции, а затем анализируют поведение отклонений от тенденции. Чаще всего при выравнивании используются следующие зависимости; линейная, параболическая и экспоненциальная.
|
|
|
2.4 Экстраполяция тенденции как метод прогнозирования
Основа большинства методов прогнозирования - экстраполяция тенденции, связанная с распространением закономерностей, связей и соотношений, действующих в изучаемом периоде, за его пределы или, другими словами, это получение представлений о будущем на основе информации, относящейся к прошлому и настоящему.
Экстраполяция, проводимая в будущее, - это перспектива, а в прошлое, - ретроспектива.
Предпосылки применения экстраполяции:
- развитие исследуемого явления в целом следует описывать плавной кривой;
- общая тенденция развития явления в прошлом и настоящем не должна претерпевать серьезных изменений в будущем.
При этом могут использоваться разные методы в зависимости от исходной информации.
Упрощенные приемы целесообразны при недостаточной информации о предыстории развития явления (нет достаточно длинного ряда или информация задана только двумя точками: на начало и конец периода). Упрощенные приемы основываются на средних показателях динамики, и можно выделить:
1. Метод среднего абсолютного прироста.
Для нахождения интересующего нас аналитического выражения тенденции на любую дату необходимо определить средний абсолютный прирост и последовательно прибавить его к последнему уровню ряда столько раз, на сколько периодов экстраполируется ряд.
Применение в экстраполяции среднего абсолютного прироста предполагает, что развитие явления происходит по арифметической прогрессии и относится в прогнозировании к классу «наивных» моделей, ибо чаше всего развитие явления следует по иному пути, чем арифметическая прогрессия Т.С. Вместе с тем в ряде случаев этот метод может найти применение как предварительный прогноз, если у исследователя нет динамического ряда: информация дана лишь на начало и конец периода (например, данные одного баланса).
2. Метод среднего темпа роста.
3. Выравнивание рядов по какой-либо аналитической формуле.
Экстраполяция дает возможность получить точечное значение прогнозов. Точное совпадение фактических данных и прогнозных точечных оценок, полученных путем экстраполяции кривых, имеет малую вероятность.
|
|
|
Любой статистический прогноз носит приближенный характер, поэтому целесообразно определение доверительных интервалов прогноза.
Аналитические методы основаны на применении метода наименьших квадратов к динамическому ряду и представлении закономерности развития явления во времени в виде уравнения тренда, то есть математической функции уровней динамического ряда (y) от факторного времени (t): y=f(t).
Аналитическое сглаживание позволяет не только определить общую тенденцию изменения явления на рассматриваемом отрезке времени, но и выполнять расчеты для таких периодов, в отношении которых нет исходных данных.
Адаптивные методы используются в условиях сильной колеблемости уровней динамического ряда и позволяют при изучении тенденции учитывать степень влияния предыдущих уровней на последующие значения динамического ряда. К адаптивным методам относятся методы скользящих и экспоненциальных средних, метод гармонических весов, методы авторегрессионных преобразований.
Цель адаптивных методов заключается в построении самонастраивающихся моделей, способных учитывать информационную ценность различных членов временного ряда и давать достаточно точные оценки будущим членам данного ряда.
Прогноз получается как экстраполяция последней тенденции. В разных методиках прогнозирования процесс настройки (адаптации) модели осуществляется по-разному, и можно выделить:
1) метод скользящей средней (адаптивной фильтрации, метод Бонса-Дженкинса);
2) метод экспоненциального сглаживания (методы Хольда, Брауна, экспоненциальной средней).
Скользящие средние представляют собой средние уровни за определенные периоды времени путем последовательного передвижения начала периода на единицу времени. При простой скользящей средней все уровни временного ряда считаются равноценными, а при исчислении взвешенной скользящей средней каждому уровню в пределах интервала сглаживания приписывается вес, зависящий от расстояния данного уровня до середины интервала сглаживания.
Особенность метода экспоненциального сглаживания в том, что в процедуре выравнивания каждого наблюдения используется только значения предыдущих уравнений, взятых с определенным весом. Смысл экспоненциальных средних состоит в нахождении таких средних, в которых влияние прошлых наблюдений затухает по мере удаления от момента, для которого определяется средние.
|
|
|
Модели временных рядов представляют собой зависимость результативной переменной от переменной времени или переменных, относящихся к другим моментам времени.
Модели временных рядов, в которых результативная переменная зависит от времени:
1) модель тренда (зависимость результативной переменной от трендовой компоненты);
2) модель сезонности (зависимость результативной переменной от сезонной компоненты);
3) модель тренда и сезонности.
Модели временных рядов, в которых результативная переменная зависит от переменных, датированных другими моментами времени:
1) объясняющие вариацию результативной переменной в зависимости от предыдущих значений факторных переменных - модели с распределенным лагом;
2) объясняющие вариацию результативной переменной в зависимости от предыдущих значений результативных переменных - модели авторегрессии;
3) объясняющие вариацию результативной переменной в зависимости oт будущих значений факторных или результативных переменных - модели ожидания.
Вопрос 61
|
|
|
