500.72K
Category: mathematicsmathematics

Моделирование временных рядов1

1.

Временные ряды
Эконометрическую модель можно построить,
используя два типа исходных данных:
➢ данные, характеризующие совокупность различных
объектов в определенный момент (период) времени;
➢ данные, характеризующие один объект за ряд
последовательных моментов (периодов) времени.
Модели, построенные по данным первого типа,
называются пространственными моделями. Модели,
построенные по данным второго типа, называются
моделями временных рядов.
Временной ряд (динамический ряд, ряд динамики) – это
совокупность значений какого-либо показателя за
несколько последовательных моментов (периодов) времени.
ВВП, млрд.
руб.
2000 г.
2001 г.
2002 г.
2003 г.
2004 г.
7305,6
8943,6
10834,2
13285,2 17048,1

2.

Три составляющие временного ряда
Долговременная
тенденция Т
Случайная компонента
Е
Периодические
(циклические или сезонные)
колебания S

3.

• Основная задача эконометрического
исследования временного ряда
заключается в выявлении и придании
количественного выражения
составляющим его отдельным
компонентам.
• Наличие той или иной составляющей
можно определить с помощью
визуального анализа графика
временного ряда.

4.

Модели временного ряда:
1) аддитивная
Yt = Tt + S t + Et
2) мультипликативная
3) смешанная
Yt = Tt S t Et
Yt = Tt St + Et
Основная задача эконометрического
исследования временного ряда:
выявление и количественное выражение
его компонент (тенденции,
периодичности, случайной компоненты)
в целях их использования для
прогнозирования будущих значений ряда.

5.

Перед построением модели исходные данные
проверяются на:
• сопоставимость (применение одинаковой
методики получения или расчета данных),
• однородность (отсутствие случайных
выбросов), устойчивость (наличие
закономерности в изменении уровней ряда),
• достаточность (число наблюдений должно
в 7–10 превосходить число параметров
модели).

6.

Автокорреляция уровней
временного ряда
• Важной особенностью временных рядов по
сравнению с данными наблюдений,
относящихся к одному периоду времени,
является, как правило, наличие связи между
последовательными уровнями ряда,
вызванное действием каких-либо
долговременных причин, что приводит к
наличию таких составляющих ряда, как
долговременная тенденция и периодическая
составляющая.

7.

Автокорреляция уровней временного ряда –
это
корреляционная
зависимость
между
последовательными уровнями временного ряда.
Измеряется с
помощью
линейного
коэффициента
корреляции между уровнями исходного временного ряда и
уровнями ряда, сдвинутыми на несколько шагов назад во
времени:
n
r =
(y − y ) (y − y )
t
t = +1
t−
1
n
2
n
(y − y ) (y − y )
t = +1
2
t
1
n
y
t = +1
t−
2
n
t
y1 = t = +1
n −
y
t−
y2 = t = +1
n −
2

8.

τ – величина сдвига во времени, или лаг
Например, лаг τ=1 означает, что ряд сдвинут на один
период (момент) назад и т.д. С увеличением лага число пар
значений, по которым рассчитывается коэффициент
автокорреляции, уменьшается.
n
τ=1 =>
r1 =
(y − y ) (y
t =2
t
1
n
n
t =2
t =2
t −1
2
2
(
y
−
y
)
(
y
−
y
)
t 1 t −1 2
n
τ=2 =>
r2 =
− y2 )
(y − y ) (y
t =3
t
3
n
n
t =3
t =3
t −2
− y4 )
2
2
(
y
−
y
)
(
y
−
y
)
t 3 t −2 4

9.

Свойства коэффициента автокорреляции:
характеризует тесноту только линейной связи
текущего и предыдущего уровней ряда,
поэтому по данному коэффициенту можно
судить о наличии линейной или близкой к
линейной тенденции. Для некоторых
временных рядов, имеющих сильную
нелинейную тенденцию, коэффициент
автокорреляции может приближаться к нулю;
по знаку коэффициента автокорреляции
нельзя судить о возрастающей или убывающей
тенденции в уровнях ряда.

10.

Автокорреляционная функция временного
ряда (АКФ) – это последовательность
коэффициентов автокорреляции первого, второго
и т.д. порядков.
Коррелограмма – это график зависимости
значений АКФ от величины лага.

11.

• Анализ автокорреляционной функции и
коррелограммы позволяет выявить
структуру ряда, т. е. определить
присутствие в ряде той или иной
компоненты.

12.

• Если наиболее высоким оказался
коэффициент автокорреляции первого
порядка, то исследуемый ряд содержит
только тенденцию.
• Если наиболее высоким оказался
коэффициент автокорреляции порядка т, то
ряд содержит циклические колебания с
периодичностью в т моментов времени.
• Если ни один из коэффициентов
автокорреляции не является значимым, то
ряд не содержит тенденции и циклических
колебаний

13.

Моделирование тенденции
временного ряда
• Моделирование тенденции временного ряда
является важнейшей классической задачей
анализа экономических временных рядов.
• Решение этой задачи начинается с проверки
наличия тенденции и формулирования
предложений о характере долговременной
тенденции, после чего уже строится модель
тенденции как функции времени.

14.

Моделирование тенденции
временного ряда
Аналитическое выравнивание – это
построение аналитической функции,
характеризующей зависимость
уровней ряда от времени, т.е.
построение тренда:
• линейный тренд yˆ t = a + bt
a + bt
ˆ
y
=
e
• экспоненциальный тренд t
• гипербола yˆ t = a + b / t
• тренд в форме степенной функции
yˆ t = a t b

15.

Для определения вида тенденции применяются
следующие методы:
– качественный анализ изучаемого процесса;
– построение и визуальный анализ графика
зависимости уровней ряда от времени;
– расчет и анализ показателей динамики
временного ряда (абсолютные приросты,
темпы роста и др.);
– метод перебора, при котором строятся
тренды различного вида с последующим
выбором наилучшего на основании значения
скорректированного коэффициента
детерминации.

16.

Выбор вида тенденции на основе
качественного анализа
Процессы с монотонным
Процессы, имеющие
характером развития и
предел роста
отсутствием пределов
(падения), так
роста
называемые процессы с
«насыщением»
Функции:
✓линейная,
Функции:
✓параболическая,
✓гиперболическая,
✓экспоненциальная,
✓модифицированная
✓степенная.
экспонента.
S-образные
процессы
Функция:
✓логистическая.
K
yt =
1 + a 0 e −bt

17.

Моделирование периодических
колебаний
Построение аддитивной и мультипликативной
моделей сводится к расчету значений T, S, E для
каждого уровня ряда.
Процесс построения модели включает в себя
следующие этапы:
1. Выравнивание исходного ряда методом скользящей
средней.
2. Расчет значений периодической компоненты S.
3. Устранение периодической компоненты из исходных
уровней ряда и получение выравненных данных (Т+Е) в
аддитивной или (Т•Е) в мультипликативной модели.
4. Аналитическое выравнивание уровней ряда и расчет
значений Т с использованием полученного уравнения
тренда.
5. Расчет полученных по модели значений (Т+S) или (Т•S).
6. Расчет абсолютных и/или относительных ошибок.

18.

• Простейшим приемом выделения
периодической компоненты основан на
использовании сглаживания временного
ряда по методу простой скользящей
средней.
• Предварительно следует определиться
с видом модели временного ряда –
аддитивной или мультипликативной.
• Это можно сделать на основе анализа
графика временного ряда.

19.

• Если амплитуда периодических колебаний
примерно постоянна, то следует выбрать
аддитивную модель:
• Y=T+S+E
• Здесь амплитуда колебаний периодической
компоненты предполагается постоянной, не
зависящей от времени.
• Если амплитуда периодических колебаний
возрастает с ростом уровней ряда, то следует
выбрать мультипликативную модель
временного ряда:
• Y=T·S·E

20.

• Выделение периодической компоненты
основывается на том, что если
исходный временной ряд содержит
периодическую компоненту с периодом
g, то сглаженный по методу простой
скользящей средней временной с
интервалом сглаживания g такой
компоненты уже не содержит.

21.

• В случае аддитивной модели периодическая
компонента выделяется путем нахождения
разности между соответствующими уровнями
исходного и сглаженного ряда.
• В случае мультипликативной модели
периодическая компонента выделяется путем
нахождения отношения между
соответствующими уровнями исходного и
сглаженного ряда.
• Затем вычисляются средние значения,
соответствующие наблюдениям внутри
одного периода колебаний.

22.

1 этап. Выравнивание исходного ряда методом
скользящей средней

23.

2 этап. Расчет значений периодической
компоненты S

24.

3 этап. Устранение периодической компоненты
из исходных уровней ряда и получение
выравненных данных (Т+Е)

25.

4 этап. Аналитическое выравнивание уровней
ряда и расчет значений Т с использованием
полученного уравнения тренда
T = 5,715 + 0,186t
English     Русский Rules