Эконометрика данные для анализа пример. Временные ряды

Временнoй ряд - это совокупность значений, какого - либо показателя за несколько последовательных моментов или периодов времени. Каждое значение (уровень) временного ряда формируется под воздействием большого числа факторов, которые можно условно разделить на три группы:

Факторы, формирующие тенденцию ряда;

Факторы, формирующие циклические колебания ряда;

Случайные факторы.

Тенденция характеризует долговременное воздействие факторов на динамику показателя. Тенденция может быть возрастающей или убывающей.

Циклические колебания могут носить сезонный характер или отражать динамику конъюнктуры рынка, а также фазу бизнес - цикла, в которой находится экономика страны.

Реальные данные часто содержат все три компоненты. В большинстве случаев временной ряд можно представить как сумму или произведение трендовой, циклической и случайной компонент. В случае суммы имеет место аддитивная модель временного ряда:

в случае произведения - мультипликативная модель:

Основная задача эконометрического исследования отдельного временного ряда - выявление количественного выражения кждой из компонент и использование полученной информации для прогноза будущих значений ряда или построение модели взаимосвязи двух или более временных рядов.

Сначала рассмотрим основные подходы к анализу отдельного временного ряда. Такой ряд может содержать, помимо случайной составляющей, либо только тенденцию, либо только сезонную (циклическую) компоненту, либо все компоненты вместе. Для того, чтобы выявить наличие той или иной неслучайной компоненты, исследуется корреляционная зависимость между последовательными уровнями временного ряда, или автокорреляция уровней ряда. Основная идея такого анализа заключается в том, что при наличии во временном ряде тенденции и циклических колебаний значения каждого последующего уровня ряда зависят от предыдущих.

Количественно автокорреляцию можно измерить с помощью линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени.

Коэффициент автокорреляции уровней ряда первого порядка измеряет зависимость между соседними уровнями ряда и т.е. при лаге 1.

Он вычисляется по следующей формуле:

где в качестве средних величин берутся значения:

В первом случае усредняются значения ряда, начиная со второго до последнего, во втором случае - значения ряда с первого до предпоследнего.

Формулу (3) можно представить как формулу выборочного коэффициента корреляции:

где в качестве переменной берется ряд а в качестве переменной ряд

Если значение коэффициента (3) близко к единице, это указывает на очень тесную зависимость между соседними уровнями временного ряда и о наличии во временном ряде сильной линейной тенденции.

Аналогично определяются коэффициенты автокорреляции более высоких порядков. Так, коэффициент автокорреляции второго порядка характеризует тесноту связи между уровнями и и определяется по формуле:

где в качестве одной средней величины берут среднюю уровней ряда с третьего до последнего, а в качестве другой - среднюю с первого уровня до

Число периодов, по которым рассчитывается коэффициент автокорреляции, называют лагом. С увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается. Для обеспечения статистической достоверности максимальный лаг, как считают некоторые известные эконометристы, не должен превышать четверти общего объема выборки.

Коэффициент автокорреляции строится по аналогии с линейным коэффициентом корреляции, и поэтому он характеризует тесноту только линейной связи текущего и предыдущего уровней ряда. По нему можно судить о наличии линейной или близкой к линейной тенденции. Однако для некоторых временных рядов с сильной нелинейной тенденцией (например, параболической или экспоненциальной), коэффициент автокорреляции уровней ряда может приближаться к нулю.

Кроме того, по знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда. Большинство временных рядов экономических данных имеют положительную автокорреляцию уровней, однако при этом не исключается убывающая тенденция.

Последовательность коэффициентов автокорреляции уровней различных порядков, начиная с первого, называется автокорреляционной функцией временного ряда. График зависимости ее значений от величины лага называется коррелограммой. Анализ автокорреляционной функции и коррелограммы помогает выявить структуру ряда. Здесь уместно привести следующие качественные рассуждения.

Если наиболее высоким является коэффициент автокорреляции первого порядка, очевидно, исследуемый ряд содержит только тенденцию. Если наиболее высоким оказался коэффициент автокорреляции порядка ф,ряд содержит циклические колебания с периодичностью в ф моментов времени. Если ни один из коэффициентов автокорреляции не является значимым, то либо ряд не содержит тенденции и циклических колебаний и имеет только случайную составляющую, либо ряд содержит сильную нелинейную тенденцию, для исследования которой нужно провести дополнительный анализ.

Пример 1. Пусть имеются данные об объёмах потребления электроэнергии жителями района за 16 кварталов, млн. квт.-ч:

Нанесем эти значения на график:

Определим автокорреляционную функцию данного временного ряда. Рассчитаем коэффициент автокорреляции первого порядка. Для этого определим средние значения:

С учетом этих значений можно построить вспомогательную таблицу:

С помощью итоговых сумм подсчитаем величину коэффициента автокорреляции первого порядка: .

Это значение свидетельствует о слабой зависимости текущих уровней ряда от непосредственно им предшествующих. Однако из графика очевидно наличие возрастающей тенденции уровней ряда, на которую накладываются циклические колебания.

Продолжая аналогичные расчеты для второго, третьего и т.д. порядков, получим автокорреляционную функцию, значения которой сведем в таблицу и построим по ней коррелограмму:

Из коррелограммы видно, что наиболее высокий коэффициент корреляции наблюдается при значении лага, равном четырем, следовательно, ряд имеет циклические колебания периодичностью в четыре квартала. Это подтверждается и графическим анализом структуры ряда.

В случае если при анализе структуры временного ряда обнаружена только тенденция и отсутствуют циклические колебания (случайная составляющая присутствует всегда), следует приступать к моделированию тенденции. Если же во временном ряде имеют место и циклические колебания, прежде всего, следует исключить именно циклическую составляющую, и лишь затем приступать к моделированию тенденции. Выявление тенденции состоит в построении аналитической функции, характеризующей зависимость уровней ряда от времени, или тренда. Этот способ называют аналитическим выравниванием временного ряда.

Зависимость от времени может принимать разные формы, поэтому для её формализации используют различные виды функций:

Линейный тренд: ;

Гипербола: ;

Экспоненциальный тренд: (или);

Степенной тренд: ;

Параболический тренд второго и более высоких порядков:

Параметры каждого из трендов можно определить обычным МНК, используя в качестве независимой переменной время, а в качестве зависимой переменной - фактические уровни временного ряда y t (или уровни за вычетом циклической составляющей, если таковая была обнаружена). Для нелинейных трендов предварительно проводят стандартную процедуру их линеаризации.

Существует несколько способов определения типа тенденции. Чаще всего используют качественный анализ изучаемого процесса, построение и визуальный анализ графика зависимости уровней ряда от времени, расчет некоторых основных показателей динамики. В этих же целях можно использовать и коэффициенты автокорреляции уровней ряда. Тип тенденции можно определить путем сравнения коэффициентов автокорреляции первого порядка, рассчитанных по исходным и преобразованным уровням ряда. Если временной ряд имеет линейную тенденцию, то его соседние уровни y t и y t-1 тесно коррелируют. В этом случае коэффициент автокорреляции первого порядка уровней исходного ряда должен быть высоким. Если временной ряд содержит нелинейную тенденцию, например, в форме экспоненты, то коэффициент автокорреляции первого порядка по логарифмам уровней исходного ряда будет выше, чем соответствующий коэффициент, рассчитанный по уровням ряда. Чем сильнее выражена нелинейная тенденция в изучаемом временном ряде, тем в большей степени будут различаться значения указанных коэффициентов.

Выбор наилучшего уравнения в случае, если ряд содержит нелинейную тенденцию, можно осуществить путем перебора основных форм тренда, расчета по каждому уравнению скорректированного коэффициента детерминации и выбора уравнения тренда с максимальным значением этого коэффициента. Реализация этого метода относительно проста при компьютерной обработке данных.

При анализе временных рядов, содержащих сезонные или циклические колебания, наиболее простым подходом является расчет значений сезонной компоненты методом скользящей средней и построение аддитивной или мультипликативной модели временнoго ряда в форме (1) или (2).

Если амплитуда колебаний приблизительно постоянна, строят аддитивную модель (1), в которой значения сезонной компоненты предполагаются постоянными для различных циклов. Если амплитуда сезонных колебаний возрастает или уменьшается, строят мультипликативную модель (2), которая ставит уровни ряда в зависимость от значений сезонной компоненты.

Построение модели (1) или (2) сводится к расчету значений Т, S или Е для каждого уровня ряда. Процесс построения модели включает в себя следующие шаги:

Выравнивание исходного ряда методом скользящей средней.

Расчет значений сезонной компоненты S.

Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных (Т+Е) в аддитивной или (Т·Е) в мультипликативной модели.

Аналитическое выравнивание уровней (Т+Е) или (Т·Е) и расчет значений Т с использованием полученного уравнения тренда.

Расчет полученных по модели значений (Т+S) или (Т·S)

Расчет абсолютных и относительных ошибок.

Пример 2. Построение аддитивной модели временного ряда. Рассмотрим данные об объёме потребления электроэнергии жителями района из ранее приведенного примера. Из анализа автокорреляционной функции было показано, что данный временнoй ряд содержит сезонные колебания периодичностью в 4 квартала. Объёмы потребления электроэнергии в осенне - зимний период (I и IV кварталы) выше, чем весной и летом (II и III кварталы). По графику этого ряда можно установить наличие приблизительно равной амплитуды колебаний. Это говорит о возможном наличии аддитивной модели. Рассчитаем её компоненты.

Шаг 1. Проведем выравнивание исходных уровней ряда методом скользящей средней.

Поскольку циклические колебания имеют периодичность в 4 квартала, просуммируем уровни ряда последовательно за каждые 4 квартала со сдвигом на один момент времени и определим условные годовые объёмы потребления электроэнергии (колонка 3 в таблице 1).

Разделив полученные суммы на 4, найдем скользящие средние (колонка 4 таблицы 1). Полученные таким образом выровненные значения уже не содержат сезонной компоненты.

Поскольку скользящие средние получены осреднением четырех соседних уровней ряда, т.е. четного числа значений, они соответствуют серединам подынтервалов, состоящих из четверок чисел, т.е. должны располагаться между третьим и четвертым значениями четверок исходного ряда. Для того, чтобы скользящие средние располагались на одних временных отметках с исходным рядом, пары соседних скользящих средних ещё раз усредняются и получаются центрированные скользящие средние (колонка 5 таблицы 1). При этом теряются первые две и последние две отметки временного ряда, что связано с осреднением по четырем точкам.

Таблица 1

Шаг 2. Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда (колонка 2 таблицы 1) и центрированными скользящими средними (колонка 5). Эти значения помещаем в колонку 6 таблицы 1 и используем для расчета значений сезонной компоненты (таблица 2), которые представляют собой средние за каждый квартал (по всем годам) оценки сезонной компоненты S i . В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период (в данном случае - за год) взаимопогашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем точкам (здесь - по четырем кварталам) должна быть равна нулю.

Таблица 2

Для данной модели сумма средних оценок сезонной компоненты равна:

0,6-1,958-1,275+2,708=0,075.

Эта сумма оказалась не равной нулю, поэтому каждую оценку уменьшим на величину поправки, равной одной четверти полученного значения:

Д=0,075/4=0,01875.

Рассчитаем скорректированные значения сезонной компоненты (они записаны в последней строке таблицы 2):

Эти значения при суммировании уже равны нулю:

0,581-1,977-1,294+2,69=0.

Шаг 3. Исключаем влияние сезонной компоненты, вычитая её значения из каждого уровня исходного временного ряда. Получаем величины:

T +E=Y-S(9)

Эти значения рассчитываются в каждый момент времени и содержат только тенденцию и случайную компоненту (колонка 4 следующей таблицы):

Таблица 3

Шаг 4. Определим трендовую компоненту данной модели. Для этого проведем выравнивание ряда (Т+Е) с помощью линейного тренда:

Подставляя в это уравнение значения, найдем уровни Т для каждого момента времени (колонка 5 таблицы 3).

Шаг 5. Найдем значения уровней ряда, полученные по аддитивной модели. Для этого прибавим к уровням Т значения сезонной компоненты для соответствующих кварталов, т.е. к значениям в колонке 5 таблицы 3 прибавим значения в колонке 3. Результаты операции представлены в колонке 6 таблицы 3.

Шаг 6. В соответствии с методикой построения аддитивной модели расчет ошибки производим по формуле:

Это абсолютная ошибка. Численные значения абсолютных ошибок приведены в колонке 7 таблицы 3. По аналогии с моделью регрессии для оценки качества построения модели или для выбора наилучшей модели можно применять сумму квадратов полученных абсолютных ошибок. Для данной аддитивной модели сумма квадратов абсолютных ошибок равна 1,10. По отношению к общей сумме квадратов отклонений уровней ряда от его среднего уровня, равной 71,59, эта величина составляет чуть более 1,5%. Следовательно, можно сказать, что аддитивная модель объясняет 98,5% общей вариации уровней временного ряда потребления электроэнергии за последние 16 кварталов. Пример 3. Построение мультипликативной модели временного ряда. Пусть имеются поквартальные данные о прибыли компании за последние четыре года:

График временного ряда свидетельствует о наличии сезонных колебаний периодичностью 4 квартала и общей убывающей тенденции уровней ряда:

Прибыль компании в весенне-летний период выше, чем в осенне-зимний период. Поскольку амплитуда сезонных колебаний уменьшается, можно предположить существование мультипликативной модели. Определим её компоненты.

Шаг 1. Проведем выравнивание исходных уровней ряда методом скользящей средней. Методика, применяемая на этом шаге, полностью совпадает с методикой аддитивной модели. Результаты расчетов оценок сезонной компоненты представлены в таблице:

Таблица 5

Шаг 2. Найдем оценки сезонной компоненты как частное от деления фактических уровней ряда на центрированные скользящие средние (колонка 6 таблицы). Используем эти оценки для расчета значений сезонной компоненты S. Для этого найдем средние за каждый квартал оценки сезонной компоненты S i . Взаимопогашаемость сезонных воздействий в мультипликативной модели выражается в том, что сумма значений сезонной компоненты по всем кварталам должна равняться числу периодов в цикле. В нашем случае число периодов одного цикла (год) равно четырем кварталам. Результаты расчетов сведем в таблицу:

Таблица 6

Здесь сумма средних оценок сезонных компонент по всем четырем кварталам

не равна четырем. Чтобы эта сумма равнялась четырем, умножим каждое слагаемое на поправочный коэффициент

Значения скорректированных сезонных компонент записаны в последней строке таблицы 6. Теперь их сумма равна четырем. Занесем эти значения в новую таблицу (колонка 3 таблицы 7):

Таблица 7

Шаг 3. Разделим каждый уровень исходного ряда на соответствующие значения сезонной компоненты. Тем самым мы получим величины

Шаг 4. Определим трендовую компоненту в мультипликативной модели. Для этого рассчитаем параметры линейного тренда, используя уровни (Т+Е). Уравнение тренда имеет вид:

Подставляя в это уравнение значения, найдем уровни Т для каждого момента времени (колонка 5 таблицы).

Шаг 5. Найдем уровни ряда по мультипликативной модели, умножив уровни Т на значения сезонной компоненты для соответствующих кварталов (колонка 6 таблицы).

Шаг 6. Расчет ошибок в мультипликативной модели произведем по формуле:

Численные значения ошибок приведены в колонке 7 таблицы. Для того, чтобы сравнить мультипликативную модель и другие модели временного ряда, можно по аналогии с аддитивной моделью использовать сумму квадратов абсолютных ошибок. Абсолютные ошибки в мультипликативной модели определяются как:

В данной модели сумма квадратов абсолютных ошибок составляет 207,4. Общая сумма квадратов отклонений фактических уровней этого ряда от среднего значения равна 5023. Таким образом, доля объясненной дисперсии уровней ряда составляет 95,9%.

Прогнозирование по аддитивной или мультипликативной модели временного ряда сводится к расчету будущего значения временного ряда по уравнению модели без случайной составляющей в виде

для аддитивной или

для мультипликативной модели.

Анализ временных рядов позволяет изучить показатели во времени. Временной ряд – это числовые значения статистического показателя, расположенные в хронологическом порядке.

Подобные данные распространены в самых разных сферах человеческой деятельности: ежедневные цены акций, курсов валют, ежеквартальные, годовые объемы продаж, производства и т.д. Типичный временной ряд в метеорологии, например, ежемесячный объем осадков.

Временные ряды в Excel

Если фиксировать значения какого-то процесса через определенные промежутки времени, то получатся элементы временного ряда. Их изменчивость пытаются разделить на закономерную и случайную составляющие. Закономерные изменения членов ряда, как правило, предсказуемы.

Сделаем анализ временных рядов в Excel. Пример: торговая сеть анализирует данные о продажах товаров магазинами, находящимися в городах с населением менее 50 000 человек. Период – 2012-2015 гг. Задача – выявить основную тенденцию развития.

Внесем данные о реализации в таблицу Excel:

На вкладке «Данные» нажимаем кнопку «Анализ данных». Если она не видна, заходим в меню. «Параметры Excel» - «Надстройки». Внизу нажимаем «Перейти» к «Надстройкам Excel» и выбираем «Пакет анализа».

Подключение настройки «Анализ данных» детально описано .

Нужная кнопка появится на ленте.

Из предлагаемого списка инструментов для статистического анализа выбираем «Экспоненциальное сглаживание». Этот метод выравнивания подходит для нашего динамического ряда, значения которого сильно колеблются.

Заполняем диалоговое окно. Входной интервал – диапазон со значениями продаж. Фактор затухания – коэффициент экспоненциального сглаживания (по умолчанию – 0,3). Выходной интервал – ссылка на верхнюю левую ячейку выходного диапазона. Сюда программа поместит сглаженные уровни и размер определит самостоятельно. Ставим галочки «Вывод графика», «Стандартные погрешности».

Закрываем диалоговое окно нажатием ОК. Результаты анализа:

Для расчета стандартных погрешностей Excel использует формулу: =КОРЕНЬ(СУММКВРАЗН(‘диапазон фактических значений’; ‘диапазон прогнозных значений’)/ ‘размер окна сглаживания’). Например, =КОРЕНЬ(СУММКВРАЗН(C3:C5;D3:D5)/3).

Прогнозирование временного ряда в Excel

Составим прогноз продаж, используя данные из предыдущего примера.

На график, отображающий фактические объемы реализации продукции, добавим линию тренда (правая кнопка по графику – «Добавить линию тренда»).

Настраиваем параметры линии тренда:

Выбираем полиномиальный тренд, что максимально сократить ошибку прогнозной модели.

R2 = 0,9567, что означает: данное отношение объясняет 95,67% изменений объемов продаж с течением времени.

Уравнение тренда – это модель формулы для расчета прогнозных значений.

Получаем достаточно оптимистичный результат:

В нашем примере все-таки экспоненциальная зависимость. Поэтому при построении линейного тренда больше ошибок и неточностей.

Для прогнозирования экспоненциальной зависимости в Excel можно использовать также функцию РОСТ.

Для линейной зависимости – ТЕНДЕНЦИЯ.

При составлении прогнозов нельзя использовать какой-то один метод: велика вероятность больших отклонений и неточностей.

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ,

МОЛОДЕЖИ И СПОРТА УКРАИНЫ

ГВУЗ «КИЕВСКИЙ НАЦИОНАЛЬНЫЙ ЭКОНОМИЧЕСКИЙ УНИВЕРСИТЕТ ИМЕНИ ВАДИМА ГЕТЬМАНА»

КРЫМСКИЙ ЭКОНОМИЧЕСКИЙ ИНСТИТУТ

по дисциплине: ЭКОНОМЕТРИКА

тема ВРЕМЕННЫЕ РЯДЫ В ЭКОНОМЕТРИЧЕСКИХ ИССЛЕДОВАНИЯХ

Выполнил:

студент 1 курса

заочного отделения

группа МО-11/12

Потоля Евгений Васильевич

Проверил:

Симферополь 2013

Введение

Эконометрика – это наука, в которой на базе реальных статистических данных строятся, анализируются и совершаются математические модели реальных экономических явлений.

Одним из важнейших направлений эконометрики является построение прогнозов по различным экономическим показателям. Основной задачей эконометрики будем считать использование статистических и математических методов с целью найти эмпирическое представление результатов экономической теории, а затем их подтвердить или опровергнуть.

Однако математические методы для представления результатов экономической теории используются также в математической экономике. Разделение «сфер интересов» эконометрики и математической экономики – это различие в критериях качества полученных моделей. В эконометрике построенная модель тем лучше, чем лучше она описывает имеющиеся эмпирические данные. В математической экономике соответствие модели эмпирическим данным не всегда свидетельствует о ее качестве, и наоборот, не всегда требуется добиваться этого соответствия.

Применение статистических методов для анализа экономических данных имеет многовековую историю. Отмечено, что первое эмпирическое исследование спроса (Charles Davenant, 1699) было опубликовано более трех столетий назад, а первое современное исследование (Rodulfo Enini, 1907) – в начале 20 в. Мощным толчком в развитии эконометрики стало основание в 1930 г. эконометрического общества и выход в январе 1933 г. первого номера журнала «Econometrica». Основной целью деятельности Общества, как было определено в первом номере журнала, должно было стать «…изучение возможностей объединения теоретико-количественных и эмпирико-количественных подходов к решению экономических задач, а также распространения конструктивных и точных методов анализа, аналогичных тем, которые в настоящее время доминируют в естественных науках».

Однако существует несколько видов количественного анализа в экономике, ни один из которых по отдельности не должен ассоциироваться с эконометрикой. Так, эконометрика – это не экономическая статистика. Эконометрика – это и не раздел общей экономической теории, хотя значительная часть экономической теории определенно имеет количественный характер. Слово «эконометрика» не является также простым эквивалентом фразы «применение математики в экономике». Как показывает опыт, все три перечисленных дисциплины, – статистика, экономическая теория и математика, - необходимы, но ни одной из них, взятой по отдельности, не достаточно для реального понимания количественных взаимосвязей в современной экономической жизни. Именно объединение всех этих трех дисциплин дает к нему ключ. Именно объединение их и составляет предмет эконометрики.

1. Основные понятия в теории временных рядов

Временной ряд - это некоторая последовательность чисел (измерений) экономического или бизнес-процесса во времени. Его элементы измерены в последовательные моменты времени, обычно через равные промежутки.

Как правило, составляющие временной ряд числа или элементы временного ряда, нумеруют в соответствии с номером момента времени, к которому они относятся. Таким образом, порядок следования элементов временного ряда весьма существен.

Расширенное понятие временного ряда. Понятие временного ряда часто толкуют расширительно. Например, одновременно могут регистрироваться несколько характеристик упомянутого процесса. В этом случае говорят о многомерных временных рядах. Если измерения производятся непрерывно, говорят о временных рядах с непрерывным временем, или случайных процессах. Наконец, текущая переменная может иметь не временной, а какой-нибудь иной характер, например пространственный. В этом случае говорят о случайных полях. Примеры временных рядов. В экономике это ежедневные цены на акции, курсы валют, еженедельные и месячные объемы продаж, годовые объемы производства и т.п.

Временные ряды называются стационарными, если числовые характеристики ряда являются постоянными на любом участке временного ряда. Реально в жизни это не так, но существуют методы, позволяющие преобразовать временной ряд и привести его к стационарному.

1. Цели, этапы и методы анализа временных рядов

Цели анализа временных рядов. При практическом изучении временных радов на основании экономических данных на определенном промежутке времени эконометрист должен сделать выводы о свойствах этого ряда и о вероятностном механизме, порождающем этот ряд. Чаще всего при изучении временных рядов ставятся следующие цели:

1. Краткое (сжатое) описание характерных особенностей ряда;

2. Подбор статистической модели, описывающей временной ряд;

3. Предсказание будущих значений на основе прошлых наблюдений;

4. Управление процессом, порождающим временной ряд.

На практике эти и подобные цели достижимы далеко не всегда и далеко не в полной мере. Часто этому препятствует недостаточный объем наблюдений из-за ограниченного времени наблюдений. Еще чаще - изменяющаяся с течением времени статистическая структура временного ряда.

Стадии анализа временных рядов. Обычно при практическом анализе временных рядов последовательно проходят следующие этапы:

1. Графическое представление и описание поведения временного рада;

2. Выделение и удаление закономерных составляющих временного рада, зависящих от времени: тренда, сезонных и циклических составляющих;

3. Выделение и удаление низко- или высокочастотных составляющих процесса (фильтрация);

4. Исследование случайной составляющей временного ряда, оставшейся после удаления перечисленных выше составляющих

5. Построение (подбор) математической модели для описания случайной составляющей и проверка ее адекватности;

6. Прогнозирование будущего развития процесса, представленного временным рядом;

7. Исследование взаимодействий между различным и временными рядами.

Методы анализа временных рядов. Для решения этих задач существует большое количество различных методов. Из них наиболее распространенными являются следующие:

1. Корреляционный анализ, позволяющий выявить существенные периодические зависимости и их лаги (задержки) внутри одного процесса (автокорреляция) или между несколькими процессами (кросскорреляция);

2. Спектральный анализ, позволяющий находить периодические и квазипериодические составляющие временного ряда;

3. Сглаживание и фильтрация, предназначенные для преобразования временных рядов с целью удаления из них высокочастотных или сезонных колебаний;

5. Прогнозирование, позволяющее на основе подобранной модели поведения временного рада предсказывать его значения в будущем.

1. Модели тренда и методы его выделения из временного ряда

Простейшие модели тренда. Приведем модели трендов, наиболее часто используемые при анализе экономических временных рядов, а также во многих других областях.

Во-первых, это простая линейная модель

Y t = a 0 + a 1 t

где а0, а1 – коэффициенты модели тренда; t – время.

В качестве единицы времени может быть час, день (сутки), неделя, месяц, квартал или год. Несмотря на свою простоту, оказывается полезной во многих реальных задачах. Если нелинейный характер тренда очевиден, то может подойти одна из следующих моделей:

1. полиномиальная:

Y t =a 0 + a 1 t + a 2 t 2 + a 3 t 3 + a 4 t 4 + …

где значение степени полинома n в практических задачах редко превышает 5;

2. логарифмическая:

Эта модель чаще всего применяется для данных, имеющих тенденцию сохранять

постоянные темпы прироста;

3. логистическая:

4. Гомперца

log(Y t) = a 0 -a 1 r t , где 0 < r < 1

Две последние модели задают кривые тренда S-образной формы. Они соответствуют процессам с постепенно возрастающими темпами роста в начальной стадии и постепенно затухающими темпами роста в конце.

Необходимость подобных моделей обусловлена невозможностью многих экономических процессов продолжительное время развиваться с постоянными темпами роста или по полиномиальным моделям, в связи с их довольно быстрым ростом (или уменьшением).

При прогнозировании тренд используют в первую очередь для долговременных прогнозов. Точность краткосрочных прогнозов, основанных только на подобранной кривой тренда, как правило, недостаточна.

Для оценки и удаления трендов из временных рядов чаще всего используется метод наименьших квадратов. Значения временного ряда рассматривают как отклик (зависимую переменную), а время t - как фактор, влияющий на отклик (независимую переменную).

Для временных рядов характерна взаимная зависимость его членов (по крайней мере, не далеко отстоящих по времени) и это является существенным отличием от обычного регрессионного анализа, для которого все наблюдения предполагаются независимыми. Тем не менее, оценки тренда и в этих условиях обычно оказываются разумными, если выбрана адекватная модель тренда и если среди наблюдений нет больших выбросов. Упомянутые выше нарушения ограничений регрессионного анализа сказываются не столько на значениях оценок, сколько на их статистических свойствах.

Неправильными оказываются и доверительные интервалы для коэффициентов модели, и т.д. В лучшем случае их можно рассматривать как очень приближенные. Это положение может быть частично исправлено, если применять модифицированные алгоритмы метода наименьших квадратов, такие как взвешенный метод наименьших квадратов. Однако для этих методов требуется дополнительная информация о том, как меняется дисперсия наблюдений или их корреляция. Если же такая информация недоступна, исследователям приходится применять классический метод наименьших квадратов, несмотря на указанные недостатки.

1. Порядок анализа временных рядов

Цель анализа временных рядов обычно заключается в построении математической модели ряда, с помощью которой можно объяснить его поведение и осуществить прогноз на определенный период времени. Анализ временных рядов включает следующие основные этапы.

Построение и изучение графика. Анализ временного ряда обычно начинается с построения и изучения его графика. Если нестационарность временного ряда очевидна, то первым делом надо выделить и удалить нестационарную составляющую ряда. Процесс удаления тренда и других компонент ряда, приводящих к нарушению стационарности, может проходить в несколько этапов.

На каждом из них рассматривается ряд остатков, полученный в результате вычитания из исходного ряда подобранной модели тренда, или результат разностных и других преобразований ряда. Кроме графиков, признаками нестационарности временного ряда могут служить не стремящаяся к нулю автокорреляционная функция.

Описание работы

Одним из важнейших направлений эконометрики является построение прогнозов по различным экономическим показателям. Основной задачей эконометрики будем считать использование статистических и математических методов с целью найти эмпирическое представление результатов экономической теории, а затем их подтвердить или опровергнуть.
Однако математические методы для представления результатов экономической теории используются также в математической экономике. Разделение «сфер интересов» эконометрики и математической экономики – это различие в критериях качества полученных моделей. В эконометрике построенная модель тем лучше, чем лучше она описывает имеющиеся эмпирические данные. В математической экономике соответствие модели эмпирическим данным не всегда свидетельствует о ее качестве, и наоборот, не всегда требуется добиваться этого соответствия.

Содержание

Введение………………………………………...………………………..
Основные понятия в теории временных рядов ………………………..
3
5
Цели, этапы и методы анализа временных рядов……………………...
6
Модели тренда и методы его выделения из временного ряда………..
8
Порядок анализа временных рядов……………………………………..
10
Графические методы анализа временных рядов……………………....
12
Заключение……….………………………………………………………
Список литературы…………………………………

Большинство эконометрических моделей строится как динамические эконометрические модели. Это означает, что моделирование причинно-следственных связей между переменными осуществляется во времени, а исходные данные представлены в форме временных рядов.

Временной ряд х t (t=1; n ) – ряд значений какого-либо показателя за несколько последовательных промежутков времени.

Каждый временной ряд х t складывается из следующих основных составляющих (компонентов):

1. Тенденции, характеризующей общее направление динамики изучаемого явления. Аналитически тенденция выражается некоторой функцией времени, называемой трендом (Т ).
2. Циклической или периодической составляющей, характеризующей циклические или периодические колебания изучаемого явления. Колебания представляют собой отклонения фактических уровней ряда от тренда. Объем продаж некоторых товаров подвержен сезонным колебаниям. Сезонные колебания (S ) – периодические колебания, которые имеют определенный и постоянный период равный годовому промежутку. Конъюнктурные колебания (К) связаны с большими экономическими циклами, период таких колебаний – несколько лет.
3. Случайной составляющей, которая является результатом воздействия множества случайных факторов (Е ).

В зависимости от взаимосвязи между составляющими может быть построена либо аддитивная модель : =T+K+S+E, либо мультипликативная модель : =T·K·S·E ряда динамики.

Для определения состава компонентов (структуры временного ряда) в модели временного ряда строят автокорреляционную функцию.
Автокорреляция – корреляционная связь между последовательными уровнями одного и того же ряда динамики (сдвинутыми на определенный промежуток времени L - лаг). То есть, автокорреляция - это связь между рядом: x 1 , x 2 , ... x n-l и рядом x 1+l , x 2+l , ...,x n , где L - положительное целое число. Автокорреляция может быть измерена коэффициентом автокорреляции:
,
где ,
– средний уровень ряда (x 1+L , x 2+L ,...,x n ),
средний уровень ряда (x 1 , x 2 ,..., x n-L),
s t , s t-L – средние квадратические отклонения, для рядов (x 1+L , x 2+L ,..., x n ) и (x 1 , x 2 ,..., x n-L ) соответственно.

Лаг (сдвиг во времени) определяет порядок коэффициента автокорреляции. Если L =1, то имеем коэффициент автокорреляции 1-ого порядка r t,t-1 , если L =2, то коэффициент автокорреляции 2-ого порядка r t,t- 2 и т.д. Следует учитывать, что с увеличением лага на единицу, число пар значений, по которым рассчитывается коэффициент автокорреляции уменьшается на 1. Поэтому обычно рекомендуют максимальный порядок коэффициента автокорреляции равный n /4.

Рассчитав несколько коэффициентов автокорреляции, можно определить лаг (L), при котором автокорреляция (r t,t-L ) наиболее высокая, выявив тем самым структуру временного ряда .

1. Если наиболее высоким оказывается значение коэффициента автокорреляции первого порядка r t,t- 1 , то исследуемый ряд содержит только тенденцию.
2. Если наиболее высоким оказался коэффициент автокорреляции r t,t-L порядка L , то ряд содержит колебания периодом L .
3. Если ни один из r t,t-L не является значимым, можно сделать одно из двух предположений:
   • либо ряд не содержит тенденции и циклических колебаний, а его уровень определяется только случайной компонентой;
   • либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ.

Для выявления закономерных колебаний внутри года при выполнении контрольной работы рекомендуется рассчитывать не меньше 4-х уровней коэффициентов автокорреляции.
Рассмотрим на примере как построить коррелограмму, чтобы определяется структуру временного ряда.
Пусть нам даны поквартальные данные об объеме выпуска некоторого товара некоторой фирмой –х (усл.ед.) за 3 года:

Результаты расчетов представлены в таблице 7.
Таблица 7

Вывод: в данном ряду динамики имеется тенденция (т.к. r t,t-1 =0,537 →1) и периодические колебания с периодом (L) равным 4, т.е. имеют место сезонные колебания (т.к. r t,t-4 =0,99 →1).

Построение модели временного ряда с сезонными колебаниями (аддитивная модель ).
Процесс построения модели временного ряда (х ), содержащего n уровней некоторого показателя за Z лет, с L сезонными колебаниями включает следующие шаги:
1) Выравнивание исходного ряда методом скользящей средней (х c ). Произведем выравнивание исходного ряда взятого из примера, рассмотренного выше, методом скользящей средней с периодом усреднения равным 3. Результаты представлены в таблице 9 (столбец 4).
2) Расчет значений сезонной составляющейS i , i=1;L , где L – число сезонов в году. Для нашего примера L =4 (сезоны - кварталы).
Расчет значений сезонных составляющих осуществляется после устранения тенденции из исходных уровней ряда: x-x c (столбец 5, таблица 9). Для дальнейшего расчета S i построим отдельную таблицу. Строки данной таблицы соответствуют сезонам, столбцы - годам. В теле таблицы находятся значения: x -x c . По этим данным рассчитываются средние оценки сезонных составляющих каждой строке (S c i) . Если сумма всех средних оценок равна нулю (), то данные средние и будут окончательными значениями сезонных составляющих (S i =S c i ). Если их сумма не равна нулю, то рассчитываются скорректированные значения сезонных составляющих вычитанием из средней оценки величины равной отношению суммы средних оценок к их общему числу (). Для нашего примера расчет значений S i представлен в таблице 8.
Таблица 8

Прогнозирование по аддитивной модели .
Пусть требуется дать прогноз уровня временного ряда на период (n +1). Точечный прогноз значения уровня временного ряда х n+1 в аддитивной модели есть сумма трендовой компоненты и сезонной компоненты (соответствующей i –ому сезону прогноза): =T n+1 +S i .
Для построения доверительного интервала прогноза нужно рассчитать среднюю ошибку прогноза:
m р = ,
где h - число параметров в уравнении тренда;
t yp – значение условной переменной времени для периода прогнозирования.
Затем рассчитаем предельную ошибку прогноза: D р =t a · m р ,
где t a - коэффициент доверия, определяемый по таблицам Стьюдента по уровню значимости α и числу степеней свободы равным (n-h ).
Окончательно получим: (-D р; +D р).

При построении эконометрической модели используются два типа данных:

• 1) данные, характеризующие совокупность различных объектов в определенный момент времени;
• 2) данные, характеризующие один объект за ряд последовательных моментов времени.

Модели, построенные по данным первого типа, называются пространственными моделями. Модели, построенные на основе второго типа данных, называются моделями временных рядов.

Временной ряд (ряд динамики) - это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени. Каждый уровень временного ряда формируется под воздействием большого числа факторов, которые условно можно подразделить на три группы:

• 1) факторы, формирующие тенденцию ряда;
• 2) факторы, формирующие циклические колебания ряда;
• 3) случайные факторы.

Рассмотрим воздействие каждого фактора на временной ряд в отдельности.

Большинство временных рядов экономических показателей имеют тенденцию, характеризующую совокупное долговременное воздействие множества факторов на динамику изучаемого показателя. Все эти факторы, взятые в отдельности, могут оказывать разнонаправленное воздействие на исследуемый показатель. Однако в совокупности они формируют его возрастающую или убывающую тенденцию. На рис. 4.1 показан гипотетический временной ряд, содержащий возрастающую тенденцию.

Также изучаемый показатель может быть подвержен циклическим колебаниям. Эти колебания могут носить сезонный характер, поскольку экономическая деятельность ряда отраслей экономики зависит от времени года (например, цены на сельскохозяйственную продукцию в летний период выше, чем в зимний; уровень безработицы в курортных городах в зимний период выше по сравнению с летним). При наличии больших массивов данных за длительные промежутки времени можно выявить циклические колебания, связанные с общей динамикой конъюнктуры рынка. На рис. 4.2 представлен гипотетический временной ряд, содержащий только сезонную компоненту.

Некоторые временные ряды не содержат тенденции и циклической компоненты, а каждый следующий их уровень образуется как сумма среднего уровня ряда и некоторой (положительной или отрицательной) случайной компоненты. Пример ряда, содержащего только случайную компоненту, приведен на рис. 4.3.

Очевидно, что реальные данные не следуют целиком и полностью из каких-либо описанных выше моделей. Чаще всего они содержат все три компоненты. Каждый их уровень формируется под воздействием тенденции, сезонных колебаний и случайной компоненты.

В большинстве случаев фактический уровень временного ряда можно представить как сумму или произведение трендовой, циклической и случайной компонент. Модель, в которой временной ряд представлен как сумма перечисленных компонент, называется аддитивной моделью временного ряда. Модель, в которой временной ряд представлен как произведение перечисленных компонент, называется мультипликативной моделью временного ряда. Основная задача эконометрического исследования отдельного временного ряда - выявление и придание количественного выражения каждой из перечисленных выше компонент с тем, чтобы использовать полученную информацию для прогнозирования будущих значений ряда или при построении моделей взаимосвязи двух или более временных рядов.