Аддитивная модель сезонных явлений

Несмотря на то, что для экономических временных рядов мультипликативная модель обычно оказывается наиболее подходящей, иногда требуется аддитивная модель. Рассмотрим аддитивную модель сезонных явлений с линейным ростом, предложенную Г. Тейлом и С. Вейджем.

Построение такой модели имеет целью упрощение процедуры прогнозирования, поскольку комбинация мультипликативной сезонной модели с линейным ростом математически громоздка. Кроме того, на практике чаще встречаются экспоненциальные тенденции, чем линейные. Поэтому замена значений первоначального временного ряда их логарифмами преобразует экспоненциальную тенденцию в линейную и одновременно мультипликативную сезонную модель в аддитивную. Тогда временной ряд (исходный или преобразованный) можно представить следующим образом:

где a_1,t— величина уровня процесса после элиминирования сезонных колебаний;

a_2,t — аддитивный коэффициент роста;

g_t — аддитивный коэффициент сезонности;

ε_t— белый шум.

Сначала рассмотрим адаптивную процедуру обновления значения . B моментt мы располагаем наблюдениемx_t , о котором известно, что

Однако о шуме и сезонном факторе g_t никакой информации нет. Величину ε_tзаменим нулем, а в качестве заменителя дляg_t возьмем самую последнюю оценку сезонного фактораg_t-l , гдеl— период сезонного цикла. Величинубудем рассматривать как новое≪фактическое≫значениеa_1,t. Последней оценкой уровняа₁ является, но она соответствует моментуt-1, а неt.

Поэтому необходимо к добавить еще.Но так как оценкумы еще не можем получить, то вместо нее берем оценку, полученную на предыдущем шаге.

Это приводит к следующей процедуре адаптации:

которая при данных весах иоцениваета_1,t через наиболее свежее наблюдениеx_t и ранее подсчитанные величины.

Та же процедура применяется для получения оценки g_t. Новое «фактическое» значение сезонного фактора будет, а старое значение равно,экспоненциально-сглаженное значение

Все три параметра сглаживания будут удовлетворять условию 0< α₁, α₂, α₃<1.

Адаптивное прогнозирование теперь провести сравнительно просто. Предположим, что t — текущий момент времени, так чтоимеются в нашем распоряжении. Предположим также, что мы хотим получить прогноз величины x_t+τ (прогноз на τ шагов вперед). Экстраполируем тенденцию линейного роста, используя самое последнее значение коэффициента, добавляем самую свежую оценку сезонного члена для этой фазы цикла и пренебрегаем шумом. В результате получаем

при условии, что 0 < τ< l. Если l < τ < 2l, то необходимозаменить на.

Однако на практике удобнее осуществлять адаптивное регулирование с помощью уравнений, связывающих эти величины с ошибкой прогноза, сделанного в конце периодаt — 1 на один шаг вперед.

3.10.6 Модели авторегрессии — скользящего среднего (метод Бокса —Дженкинса)

Для описания моделей потребуются следующие обозначения:

x_t — значение ряда в моментt;

ε_t– белый шум с дисперсией.

Модель основывается на гипотезе, что изучаемый процесс является выходом линейного фильтра, на вход которого подан процесс белого шума, т. е. что член ряда x_t является взвешенной суммой текущего и предыдущих значений входного потока:

где μ= const в общем случае является параметром, характеризующим процесс.

Если последовательность ψ₁, ψ₂, … конечна или бесконечна, но сходится, то процессx_t будет стационарным. Тогда μ — среднее значение, вокруг которого процесс варьирует. В противном случаеx_t — нестационарен и μ не имеет особого смысла, кроме как некой точки отсчета уровня процесса.

Типы моделей