Лабораторная работа №2 «Анализ и прогнозирование временных рядов в среде Excel»

Основные понятия и определения.

В современной экономике, в бизнесе без прогноза не обойтись. Любое серьезное решение, в особенности связанное с вложением денег требует прогноза, предвидения развития экономической ситуации.

Для того чтобы предвидеть будущее, надо хорошо знать прошлое и присущие ему закономерности.

Если в течение достаточно продолжительного времени регулярно фиксировать курсы валют, акций, цены на товары и т.д., то такие данные образуют временные ряды. Временными рядами являются также данные о выпуске или потреблении различных товаров и услуг по месяцам, кварталам, годам. В производстве временные ряды возникают при изме­рении количества изделий, выпускаемых подразделениями предприятия за час, смену, декаду, при оценках количества брака за те же периоды, при наблюдении за изменениями запасов на складах.

В экономике и бизнесе данные типы временных рядов появляются очень часто.

Во временном ряде содержится информация об особенностях и зако­номерностях протекания процесса, а статистический анализ позволяет вы­явить и использовать их для оценки характеристик процесса в будущем, т.е. для прогнозирования.

Временной ряд - набор чисел, привязанный к последовательным, обычно равноотстоящим моментам времени. Числа, составляющие ряд и получающиеся как результат наблюдения за ходом некоторого про­цесса, называются элементами, а промежуток времени между наблю­дениями - шагом квантования по времени (или короче - шагом по времени). Элементы ряда нумеруют в соответствии с номером момента времени, к которому этот элемент относится (т.е. обозначают их как Y₁,Y₂,....,Y_­n).

Формально задача прогнозирования сводится к получению оценок значений ряда на некотором периоде будущего, т.е. к получению значения Yp(t), t= N + 1, N+2,.... При использовании методов экстраполяции исходят из предположения о сохранении закономерностей прошлого развития на период прогнозирования. Во многих случаях (но не всегда!) при разработке оперативного (до года) и краткосрочного (до 2 лет) про­гноза эти предположения являются справедливыми.

Прогноз рассчитывается в два этапа. На первом - формальном - вы­являют при помощи статистических методов закономерности прошлого развития и переносят их (экстраполируют) на некоторый период будущего. На втором - производится корректировка полученного прогноза, с учетом результатов содержательного анализа текущего состояния.

Статистические методы исследования исходят из предположения о возможности представления уровней временного ряда в виде суммы не­скольких компонент, отражающих закономерность и случайность разви­тия. в частности в виде суммы четырех компонент:

Y(t)=f(t)+S(t)+U(t)+E(t),

где f(r) - тренд (долгосрочная тенденция) развития;

S (t) - сезонная компонента;

U (t) - циклическая компонента;

Е (t) - остаточная компонента.

Сезонная компонента характеризует устойчивые внутригодичные колебания уровней, которые носят периодический или близкий к нему характер. Она проявляется в некоторых показателях, представленных квартальными или месячными данными.

В тех случаях, когда период колебаний составляет несколько лет, говорят, что во временном ряде присутствует циклическая ком­понента.

Основная цель статистического анализа временных рядов - изуче­ние соотношения между закономерностью и случайностью в формиро­вании значений уровней ряда, оценка количественной меры их влияния. Закономерности, объясняющие динамику показателя в прошлом, ис­пользуются для прогнозирования его значении в будущем, а учет слу­чайности позволяет определить вероятность отклонения от закономерного развития и его возможную величину.

При построении моделей регрессии по временным рядам для устранения тенденции используются следующие методы.

Метод отклонений от тренда предполагает вычисление трендовых значений для каждого временного ряда модели, например , и расчет отклонений от трендов: и . Для дальнейшего анализа используют не исходные данные, а отклонения от тренда.

Метод последовательных разностей заключается в следующем:

Если ряд содержит линейный тренд, тогда исходные данные заменяются первыми разностями:

если параболический тренд – вторыми разностями:

В случае экспоненциального и степенного тренда метод последовательных разностей применяется к логарифмам исходных данных.

Модель, включающая фактор времени, имеет вид

Параметры a и b в этой модели определяются обычным методом МНК.

Автокорреляция в остатках – корреляционная зависимость между значениями остатков за текущий и предыдущие моменты времени.

Для определения автокорреляции остатков используют критерий Дарбина-Уотсона и расчет величины:

Коэффициент автокорреляции остатков первого порядка определяется по формуле

Критерий Дарбина-Уотсона и коэффициент автокорреляции остатков первого порядка связаны соотношением

Если в остатках существует полная положительная автокорреляция и , то d=0. Если в остатках полная отрицательная автокорреляция, то и, следовательно, d=4. Если автокорреляция остатков отсутствует, то и d=2.

Следовательно

^.

Поиск по сайту: