Временные ряды эконометрика. Временные ряды

⁰

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Подобные документы

Эффективная оценка по методу наименьших квадратов. Корелляционно-регрессионный анализ в эконометрическом моделировании. Временные ряды в эконометрических исследованиях. Моделирование тенденции временного ряда. Расчет коэффициента автокорреляции.

контрольная работа , добавлен 19.06.2015

Анализ автокорреляции уровней временного ряда, характеристика его структуры; построение аддитивной и мультипликативной модели, отражающую зависимость уровней ряда от времени; прогноз объема выпуска товаров на два квартала с учетом выявленной сезонности.

лабораторная работа , добавлен 23.01.2011

Выборка и генеральная совокупность. Модель множественной регрессии. Нестационарные временные ряды. Параметры линейного уравнения парной регрессии. Нахождение медианы, ранжирование временного ряда. Гипотеза о неизменности среднего значения временного ряда.

задача , добавлен 08.08.2010

Изучение понятия имитационного моделирования. Имитационная модель временного ряда. Анализ показателей динамики развития экономических процессов. Аномальные уровни ряда. Автокорреляция и временной лаг. Оценка адекватности и точности трендовых моделей.

курсовая работа , добавлен 26.12.2014

Автокорреляционная функция временного ряда темпов роста производства древесноволокнистых плит в Российской Федерации. Расчет значений сезонной компоненты в аддитивной модели и коэффициента автокорреляции третьего порядка по логарифмам уровней ряда.

контрольная работа , добавлен 15.11.2014

Этапы и проблемы эконометрических исследований. Параметры парной линейной регрессии. Оценка тесноты связи с помощью показателей корреляции и детерминации. Расчет коэффициентов автокорреляции второго порядка для временного ряда расходов на потребление.

контрольная работа , добавлен 05.01.2011

Необходимость использования фиктивных переменных. Авторегрессионые модели: модель адаптивных ожиданий и частичной корректировки. Метод инструментальных переменных. Полиномиально распределенные лаги Алмон. Сравнение двух регрессий. Суть метода Койка.

контрольная работа , добавлен 28.07.2013

Эконометрическое моделирование стоимости квартир в московской области. Матрица парных коэффициентов корреляции. Расчет параметров линейной парной регрессии. Исследование динамики экономического показателя на основе анализа одномерного временного ряда.

контрольная работа , добавлен 19.01.2011

- 94.50 Кб

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.

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.

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.

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.

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.

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…………………………………

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.

Временной 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:

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

Тенденция характеризует долговременное воздействие факторов на динамику показателя. Тенденция может быть возрастающей (рис. 4.1,а) или убывающей (рис. 4.1,6).

Циклические колебания могут носить сезонный характер или отражать динамику конъюнктуры рынка (рис. 4.2), а также фазу бизнес- цикла, в которой находится экономика страны.

Рис. 4.1. Тенденции временного ряда: а -возрастающая; б - убывающая

Рис. 4.2.

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

в случае произведения - мультипликативная модель:

Основные задачи эконометрического исследования отдельного временного ряда - получение количественного выражения каждой из компонент и использование этой 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 помимо случайной составляющей может содержать 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 позволяет измерить зависимость между соседними уровнями ряда tut - 1, т.е. при лаге 1, и вычисляется по следующей формуле:

где в качестве средних величин берутся значения:

В первом случае в формуле (4.4) усредняются значения ряда, начиная со второго до последнего, во втором - значения ряда с первого до предпоследнего.

Формулу (4.3) можно представить как формулу выборочного коэффициента корреляции:

где в качестве переменной х берется ряд у { , у 2 , ..., у„, а в качестве переменной у - ряду ь у2. -,Уп- 1 -

Если значение коэффициента (4.3) (или (4.5)) близко к единице, это указывает на очень тесную зависимость между соседними уровнями временного ряда и наличие во временном ряде сильной линейной тенденции.

Аналогично определяются коэффициенты автокорреляции более высоких порядков. Так, коэффициент автокорреляции второго порядка, который характеризует тесноту связи между уровнями у, иу,_ 2 , определяется по формуле:

В качестве одной средней величины в (4.6) берут среднюю уровней ряда с третьего до последнего, а в качестве другой - среднюю всех уровней ряда, кроме последних двух:

Величина сдвига между уровнями ряда, относительно которой рассчитывается коэффициент автокорреляции, называется лагом. С возрастанием 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 т, ряд содержит циклические колебания с периодичностью в т моментов времени. Если ни один из коэффициентов автокорреляции не является значимым, то ряд либо не содержит тенденции и циклические колебания и имеет только случайную составляющую, либо содержит сильную нелинейную тенденцию, для исследования которой нужно провести дополнительный анализ.

Пример (И.И. Елисеева ). Пусть имеются данные об объеме потребления электроэнергии жителями района у, (млн кВт-ч) за период t (квартал) (табл. 4.1).

Таблица 4.1

Исходный временной ряд потребления электроэнергии

Нанесем эти значения на график (рис. 4.3).

Рис. 4.3.

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

С учетом этих значений построим вспомогательную таблицу (табл. 4.2).

Таблица 4.2

Вспомогательные расчеты при вычислении коэффициента автокорреляции

У,-Ух	У,-Уг	(У,-Ух?	(У,-Ух)

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 (табл. 4.3) и построим по ней коррелограмму (рис. 4.4).

Таблица 4.3

Значения автокорреляционной функции временного ряда

Рис. 4.4.

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 ее формализации используют различные виды функций:

линейный тренд: у, =а + Ы
гиперболу: у, = a + b /1;
экспоненциальный тренд: у,=е а ~ ь " (или y t =ab")
степенной тренд: y,=at b ;
параболический тренд второго и более высоких порядков:

Параметры каждого из трендов можно определить обычным МНК, используя в качестве независимой переменной время t = 1,2, «,

а в качестве зависимой переменной - фактические уровни временного ряда у, (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 у, и у, _ i 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 R 2 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 временного ряда в форме (4.1) или (4.2).

Если амплитуда колебаний приблизительно постоянна, строят аддитивную модель (4.1), в которой значения сезонной компоненты предполагаются постоянными для различных циклов. Если амплитуда сезонных колебаний возрастает или уменьшается, строят мультипликативную модель (4.2), которая ставит уровни ряда в зависимость от значений сезонной компоненты.

Построение модели (4.1) или (4.2) сводится к расчету значений Т, S или Е для каждого уровня ряда. Процесс построения модели включает в себя следующие шаги.

1. Выравнивание исходного ряда методом скользящей средней.
2. Расчет значений сезонной компоненты S.
3. Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных (Т + Е) в аддитивной или (Т х Е) в мультипликативной модели.
4. Аналитическое выравнивание уровней (Т + Е) или (Тх Е) и расчет значений Т с использованием полученного уравнения тренда.
5. Расчет полученных по модели значений (Т + S) или (Тх S).
6. Расчет абсолютных и относительных ошибок.

Пример. Построение аддитивной модели временного ряда. Рассмотрим данные об объеме потребления электроэнергии жителями района из ранее приведенного примера. Результаты анализа автокорреляционной функции показали, что данный временной ряд содержит сезонные колебания периодичностью в четыре квартала. Объемы потребления электроэнергии в осенне-зимний период (I и IV кварталы) выше, чем весной и летом (И и III кварталы). По графику этого ряда можно установить наличие приблизительно равной амплитуды колебаний. Это говорит о возможном наличии аддитивной модели. Рассчитаем ее компоненты.

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

Поскольку циклические колебания имеют периодичность в четыре квартала, просуммируем уровни ряда последовательно за каждые четыре квартала со сдвигом на один момент времени и определим условные годовые объемы потребления электроэнергии (колонка 3 в табл. 4.4).

Разделив полученные суммы на 4, найдем скользящие средние (колонка 4 табл. 4.4). 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 еще раз усредняются и получаются центрированные скользящие средние (колонка 5 табл. 4.4). При этом теряются первые две и последние две отметки временного ряда, что связано с осреднением по четырем точкам.

Таблица 4.4

Расчет оценок сезонных компонент

квартала	Потребление электроэнергии (у,)	Итого за четыре квартала	Центрированная скользящая	сезонной компоненты

Шаг 2. Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда (колонка 2 табл. 4.4) и центрированными скользящими средними (колонка 5). Эти значения помещаем в колонку 6 табл. 4.4 и используем для расчета значений сезонной компоненты (табл. 4.5), которые представляют собой средние за каждый квартал (по всем годам) оценки сезонной компоненты S,. 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 4.5

Корректировка сезонной компоненты

Для данной модели сумма средних оценок сезонной компоненты будет:

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

Рассчитаем скорректированные значения сезонной компоненты (они записаны в последней строке табл. 4.5):

Эти значения при суммировании уже равны нулю:

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

Эти значения рассчитываются в каждый момент времени и содержат только тенденцию и случайную компоненту (колонка 4 табл. 4.6).

Таблица 4.6

Расчет сезонной, трендовой и случайной компонент временного ряда

			Т+Е = у,- S,			E = y,-(T+S)

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

Подставляя в это уравнение значения / = 1, 2,..., 16, найдем уровни Т для каждого момента времени (колонка 5 табл. 4.6).

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 табл. 4.6 прибавим значения в колонке 3. Результаты операции представлены в колонке 6 там же.

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 табл. 4.6.

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 (И.И. Елисеева ). Построение мультипликативной модели временного ряда. Пусть имеются поквартальные данные о прибыли компании за последние четыре года (табл. 4.7).

Таблица 4.7

Исходные данные временного ряда с мультипликативной моделью

График временного ряда свидетельствует о наличии сезонных колебаний периодичностью четыре квартала и обшей убывающей тенденции уровней ряда (рис. 4.5).

Рис.

Прибыль компании в весенне-летний период выше, чем в осенне- зимний. Поскольку амплитуда сезонных колебаний уменьшается, можно предположить существование мультипликативной модели. Определим ее 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 табл. 4.8.

Таблица 4.8

Расчет оценок сезонной компоненты

квартала	компании	Итого за четыре квартала	Скользящая средняя за четыре квартала	Центрированная скользящая средняя	сезонной компоненты

Шаг 2. Найдем оценки сезонной компоненты как частное от деления фактических уровней ряда на центрированные скользящие средние (колонка 6 табл. 4.8). Используем эти оценки для расчета значений сезонной компоненты S. Для этого найдем средние за каждый квартал оценки сезонной компоненты 5,. 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 табл. 4.9.

Здесь сумма средних оценок сезонных компонент по всем четырем кварталам будет

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

Таблица 4.9

Корректировка сезонных коэффициентов мультипликативной модели

Значения скорректированных сезонных компонент записаны в последней строке табл. 4.9. Теперь их сумма равна четырем. Занесем эти значения в новую таблицу (колонка 3 табл. 4.10).

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 /= 1, 2,..., 16, найдем уровни Т для каждого момента времени (колонка 5 табл. 4.10).

Шаг 5. Найдем уровни ряда по мультипликативной модели, умножив уровни Т на значения сезонной компоненты для соответствующих кварталов (колонка 6 табл. 4.10).

Таблица 4.10

Расчет компонент мультипликативной модели

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 у, = TS

Для мультипликативной модели.

Аннотация: Под временными рядами понимают экономические величины, зависящие от времени. При этом время предполагается дискретным, в противном случае говорят о случайных процессах, а не о временных рядах.

Модели стационарных и нестационарных временных рядов, их идентификация

Пусть Рассмотрим временной ряд . Пусть сначала временной ряд принимает числовые значения. Это могут быть, например, цены на батон хлеба в соседнем магазине или курс обмена доллара на рубли в ближайшем обменном пункте. Обычно в поведении временного ряда выявляют две основные тенденции - тренд и периодические колебания.

При этом под трендом понимают зависимость от времени линейного, квадратичного или иного типа, которую выявляют тем или иным способом сглаживания (например, экспоненциального сглаживания) либо расчетным путем, в частности, с помощью метода наименьших квадратов . Другими словами, тренд - это очищенная от случайностей основная тенденция временного ряда.

Временной ряд обычно колеблется вокруг тренда , причем отклонения от тренда часто обнаруживают правильность. Часто это связано с естественной или назначенной периодичностью, например, сезонной или недельной, месячной или квартальной (например, в соответствии с графиками выплаты заплаты и уплаты налогов). Иногда наличие периодичности и тем более ее причины неясны, и задача эконометрика - выяснить, действительно ли имеется периодичность .

Элементарные методы оценки характеристик временных рядов обычно достаточно подробно рассматриваются в курсах "Общей теории статистики" (см., например, учебники ), поэтому нет необходимости подробно разбирать их здесь. (Впрочем, о некоторых современных методах оценивания длины периода и самой периодической составляющей речь пойдет ниже.)

Характеристики временных рядов . Для более подробного изучения временных рядов используются вероятностно-статистические модели. При этом временной ряд рассматривается как случайный процесс (с дискретным временем) основными характеристиками являются математическое ожидание , т.е.

Дисперсия , т.е.

и автокорреляционная функция временного ряда

т.е. функция двух переменных, равная коэффициенту корреляции между двумя значениями временного ряда и .

В теоретических и прикладных исследованиях рассматривают широкий спектр моделей временных рядов. Выделим сначала стационарные модели. В них совместные функции распределения для любого числа моментов времени , а потому и все перечисленные выше характеристики временного ряда не меняются со временем . В частности, математическое ожидание и дисперсия являются постоянными величинами, автокорреляционная функция зависит только от разности . Временные ряды, не являющиеся стационарными, называются нестационарными .

Линейные регрессионные модели с гомоскедастичными и гетероскедастичными, независимыми и автокоррелированными остатками . Как видно из сказанного выше, основное - это "очистка" временного ряда от случайных отклонений, т.е. оценивание математического ожидания. В отличие от простейших моделей регрессионного анализа , рассмотренных в , здесь естественным образом появляются более сложные модели. Например, дисперсия может зависеть от времени. Такие модели называют гетероскедастичными , а те, в которых нет зависимости от времени - гомоскедастичными. (Точнее говоря, эти термины могут относиться не только к переменной "время", но и к другим переменным.)

Замечание . Как уже отмечалось в "Многомерный статистический анализ" , простейшая модель метода наименьших квадратов допускает весьма далекие обобщения, особенно в области системам одновременных эконометрических уравнений для временных рядов. Для понимания соответствующей теории и алгоритмов необходимо профессиональное владение матричной алгеброй. Поэтому мы отсылаем тех, кому это интересно, к литературе по системам эконометрических уравнений и непосредственно по временным рядам , в которой особенно много интересуются спектральной теорией, т.е. выделением сигнала из шума и разложением его на гармоники. Подчеркнем в очередной раз, что за каждой главой настоящей книги стоит большая область научных и прикладных исследований, вполне достойная того, чтобы посвятить ей много усилий. Однако из-за ограниченности объема книги мы вынуждены изложение сделать конспективным.

Системы эконометрических уравнений

Пример модели авторегрессии . В качестве первоначального примера рассмотрим эконометрическую модель временного ряда, описывающего рост индекса потребительских цен (индекса инфляции). Пусть - рост цен в месяц (подробнее об этой проблематике см. "Эконометрический анализ инфляции"). Тогда по мнению некоторых экономистов естественно предположить, что

(6.1)

где - рост цен в предыдущий месяц (а - некоторый коэффициент затухания, предполагающий, что при отсутствии внешний воздействий рост цен прекратится), - константа (она соответствует линейному изменению величины со временем), - слагаемое, соответствующее влиянию эмиссии денег (т.е. увеличения объема денег в экономике страны, осуществленному Центральным Банком) в размере и пропорциональное эмиссии с коэффициентом , причем это влияние проявляется не сразу, а через 4 месяца; наконец, - это неизбежная погрешность .

Модель (1), несмотря на свою простоту, демонстрирует многие характерные черты гораздо более сложных эконометрических моделей. Во-первых, обратим внимание на то, что некоторые переменные определяются (рассчитываются) внутри модели, как . Их называют эндогенными (внутренними) . Другие задаются извне (это экзогенные переменные). Иногда, как в теории управления, среди экзогенных переменных , выделяют управляемые переменные - те, с помощью которых менеджер может привести систему в нужное ему состояние.

Во-вторых, в соотношении (1) появляются переменные новых типов - с лагами, т.е. аргументы в переменных относятся не к текущему моменту времени, а к некоторым прошлым моментам.

В-третьих, составление эконометрической модели типа (1) - это отнюдь не рутинная операция. Например, запаздывание именно на 4 месяца в связанном с эмиссией денег слагаемом - это результат достаточно изощренной предварительной статистической обработки. Далее, требует изучения вопрос зависимости или независимости величин и . От решения этого вопроса зависит, как выше уже отмечалось, конкретная реализация процедуры метода наименьших квадратов .

С другой стороны, в модели (1) всего 3 неизвестных параметра, и постановку метода наименьших квадратов выписать нетрудно:

Проблема идентифицируемости . Представим теперь модель тапа (6.1) с большим числом эндогенных и экзогенных переменных , с лагами и сложной внутренней структурой. Вообще говоря, ниоткуда не следует, что существует хотя бы одно решение у такой системы. Поэтому возникает не одна, а две проблемы. Есть ли хоть одно решение (проблема идентифицируемости)? Если да, то как найти наилучшее решение из возможных? (Это - проблема статистической оценки параметров.)

И первая, и вторая задача достаточно сложны. Для решения обоих задач разработано множество методов, обычно достаточно сложных, лишь часть из которых имеет научное обоснование. В частности, достаточно часто пользуются статистическими оценками, не являющимися состоятельными (строго говоря, их даже нельзя назвать оценками).

Коротко опишем некоторые распространенные приемы при работе с системами линейных эконометрических уравнений.

Система линейных одновременных эконометрических уравнений . Чисто формально можно все переменные выразить через переменные, зависящие только от текущего момента времени. Например, в случае уравнения (6.1) достаточно положить

Тогда уравнение пример вид

(6.2)

Отметим здесь же возможность использования регрессионных моделей с переменной структурой путем введения фиктивных переменных. Эти переменные при одних значениях времени (скажем, начальных) принимают заметные значения, а при других - сходят на нет (становятся фактически равными 0). В результате формально (математически) одна и та же модель описывает совсем разные зависимости.

Косвенный, двухшаговый и трехшаговый методы наименьших квадратов . Как уже отмечалось, разработана масса методов эвристического анализа систем эконометрических уравнений. Они предназначены для решения тех или иных проблем, возникающих при попытках найти численные решения систем уравнений.

Одна из проблем связана с наличием априорных ограничений на оцениваемые параметры. Например, доход домохозяйства может быть потрачен либо на потребление, либо на сбережение. Значит, сумма долей этих двух видов трат априори равна 1. А в системе эконометрических уравнений эти доли могут участвовать независимо. Возникает мысль оценить их методом наименьших квадратов , не обращая внимания на априорное ограничение, а потом подкорректировать. Такой подход называют косвенным методом наименьших квадратов .

Двухшаговый метод наименьших квадратов состоит в том, что оценивают параметры отдельного уравнения системы, а не рассматривают систему в целом. В то же время трехшаговый метод наименьших квадратов применяется для оценки параметров системы одновременных уравнений в целом. Сначала к каждому уравнению применяется двухшаговый метод с целью оценить коэффициенты и погрешности каждого уравнения, а затем построить оценку для ковариационной матрицы погрешностей, После этого для оценивания коэффициентов всей системы применяется обобщенный метод наименьших квадратов .

Менеджеру и экономисту не следует становиться специалистом по составлению и решению систем эконометрических уравнений, даже с помощью тех или иных программных систем, но он должен быть осведомлен о возможностях этого направления эконометрики, чтобы в случае производственной необходимости квалифицированно сформулировать задание для специалистов-эконометриков.

От оценивания тренда (основной тенденции) перейдем ко второй основной задаче эконометрики временных рядов - оцениванию периода ( цикла ).