Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Эконом для заочн..rtf
Скачиваний:
3
Добавлен:
01.07.2025
Размер:
7 Мб
Скачать
☆

Задание 4 Анализ временных рядов

Модели, построенные по данным, характеризующим один объект за ряд последовательных моментов (периодов), называется моделями временных рядов.

Временной ряд – это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов.

Каждый уровень временного ряда формируется из трендовой (Т), циклической (S), случайной (E) компонент.

Модели, в которых временной ряд представлен как сумма перечисленных компонент, - аддитивные модели, как произведение – мультипликативные модели временного ряда.

Аддитивная модель имеет вид: ;

Мультипликативная модель: .

Построение аддитивной и мультипликативной моделей сводится к расчету значений и для каждого уровня ряда.

Построение модели включает в себя следующие шаги:

1) выравнивание исходного ряда методом скользящей средней;

2) расчет значений сезонной компоненты ;

3) устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных в аддитивной или в мультипликативной модели.

4) аналитическое выравнивание уровней или и расчет значений Е с использованием полученного уравнения тренда;

5) расчет полученных по модели значений или ;

6) расчет абсолютных и (или) относительных ошибок.

Автокорреляцией уровней ряда – это корреляционная зависимость между последовательными уровнями временного ряда:

, (4.1)

где ; – коэффициент автокорреляции уровней ряда

первого порядка;

, (4.2)

где ; – коэффициент автокорреляции уровней ряда второго порядка.

Формулы для расчета коэффициентов автокорреляции старших порядков легко получить из формулы линейного коэффициента корреляции.

Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда, а график зависимости ее значений от величины лага (порядка коэффициента автокорреляции) – коррелограммой.

Построение аналитической функции для моделирования тенденции (тренда) временного ряда называют аналитическим выравниванием временного ряда. Для этого чаще всего применяются следующие функции:

  • линейная ;

  • гипербола :

  • экспонента ;

  • степенная функция ;

  • парабола второго и более высоких порядков .

Параметры трендов определяются обычным МНК, в качестве независимой переменной выступает время , а в качестве зависимой переменной – фактические уровни временного ряда . Критерием отбора наилучшей формы тренда является наибольшее значение скорректированного коэффициента детерминации .

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:

.

ПРИМЕР 4. Имеются данные об урожайности овощных культур в хозяйствах региона. Данные приведены в табл. 4.1.

Таблица 4.1

Год

1989

1990

1991

1992

1993

1994

1995

1996

Урожайность, т/га

10,2

10,7

11,7

13.1

14,9

17,2

20,0

23,2

Для данного временного ряда требуется:

1. Обосновать тип уравнения тренда.

2. Рассчитать параметры тренда.

3. Дать прогноз на 1997 год.

Решение. Определим коэффициент корреляции между рядами и . Воспользуемся формулой (4.1), расчеты приведены в таблице 4.2:

Таблица 4.2

год

1

10,2

-

-

-

-

-

-

-

-

-

-

-

-

2

10,7

10,2

-

-5,128

-3,771

26,2964

14,22044

-

-

-

-

19,33769

-

3

11,7

10,7

10,2

-4,128

-3,271

17,0404

10,69944

-4,983

-2,767

24,83029

7,656289

13,50269

13,78796

4

13,1

11,7

10,7

-2,728

-2,271

7,44198

5,157441

-3,583

-2,267

12,83789

5,139289

6,195288

8,122661

5

14,9

13,1

11,7

-0,928

-0,871

0,86118

0,758641

-1,783

-1,267

3,179089

1,605289

0,808288

2,259061

6

17,2

14,9

13,1

1,372

0,929

1,88238

0,863041

0,517

0,133

0,267289

0,017689

1,274588

0,068761

7

20,0

17,2

14,9

4,172

3,229

17,4056

10,42644

3,317

1,933

11,00249

3,736489

13,47139

6,411761

8

23,2

20,0

17,2

7,372

6,029

54,2464

36,34884

6,517

4,233

42,47129

17,91829

44,44579

27,58646

36

0,004

0,003

125,274

78,47429

0,002

-0,002

94,58833

36,07333

99,03572

5

32

8,23667

Средн.

4,5

Результат говорит о тесной зависимости между урожайностью текущего и непосредственно предшествующего годов и наличии во временном ряде сильной линейной тенденции.

Определим коэффициент автокорреляции второго порядка по формуле (4.2):

,

Результат подтверждает наличие линейной тенденции. Выбираем линейное уравнение тренда: .

3. Параметры определим, используя МНК. Результаты расчетов приведены в табл. 4.3.

Таблица 4.3

1

10,2

1

104,04

10,2

-3,5

12,25

8,800

1,400

1,960

2

10,7

4

114,49

21,4

-2,5

6,25

10,607

0,093

0,009

3

11,7

9

136,89

35,1

-1,5

2,25

12,414

-0,714

0,09

4

13,1

16

171,61

52,4

-0,5

0,25

14,221

-1,121

1,257

5

14,9

25

222,01

72,5

0,5

0,25

16,028

-1,128

1,272

6

17,2

36

295,84

103,2

1,5

2,25

17,835

-0,635

0,403

7

20,0

49

400,00

140

2,5

6,25

19,642

0,358

0,128

8

23,2

64

538,24

185,5

3,5

12,25

21,449

1,751

3,066

36

121

204

1983,12

620,4

0,00

32,00

8,604

Средн.

4,5

15,125

25,5

247,890

77,55

.

Уравнение тренда примет вид: , коэффициент корреляции .

Расчетное значение критерия Фишера равно , , следовательно, уравнение статистически значимо и прогноз имеет смысл.

Прогнозное значение (при ), , средняя ошибка прогноза вычислим по формуле

, где остаточная дисперсия рассчитывается по формуле

; .

Предельная ошибка прогноза ,

, .

Доверительный интервал прогноза .

Выполненный прогноз надежный и достаточно точный. Следовательно, применительно к рассмотренному временному ряду темпы роста урожайности за восемь рассмотренных лет изменялись от (т/га) со средним за год приростом, равным (т/га).