В ряде случаев вместо аналитического выравнивания временного ряда с целью
устранения тенденции можно применить более простой метод — метод
последовательных разностей.
Если временной ряд содержит ярко выраженную линейную тенденцию, ее можно
устранить путем замены исходных уровней ряда цепными абсолютными приростами
(первыми разностями).
Пусть (1)[pic]; [pic]
Тогда [pic] (6.3)Тогда
Коэффициент b — константа, которая не зависит от времени.
Если временной ряд содержит тенденцию в форме параболы второго порядка, то
для ее устранения можно заменить исходные уровни ряда на вторые разности.
Пусть имеет место соотношение (1), однако [pic]
Тогда [pic]
Как показывает это соотношение, первые разности?t, непосредственно
зависят от фактора времени t и, следовательно, содержат тенденцию.
Определим вторые разности:
[pic]
Очевидно, что вторые разности?t2, не содержат тенденции, поэтому при
наличии в исходных уровнях тренда в форме параболы второго порядка их можно
использовать для дальнейшего анализа. Если тенденции временного ряда
|
|
соответствует экспоненциальный или степенной тренд, метод последовательных
разностей следует применять не к исходным уровням ряда, а к их логарифмам.
Включение в модель регрессии фактора времени.
В корреляционно-регрессионном анализе устранить воздействие какого-либо
фактора можно, если зафиксировать воздействие этого фактора на результат и
другие включенные в модель факторы. Этот прием широко используется в
анализе временных рядов, когда тенденция фиксируется через включение
фактора времени в модель в качестве независимой переменной.
Модель вида [pic]относится к группе моделей, включающих фактор времени.
Очевидно, что число независимых переменных в такой модели может быть больше
единицы. Кроме того, это могут быть не только текущие, но и лаговые
значения независимой переменной, а также лаговые значения результативной
переменной. Преимущество данной модели по сравнению с методами отклонений
от трендов и последовательных разностей в том, что она позволяет учесть всю
информацию, содержащуюся в исходных данных, поскольку значения yt и хt есть
уровни исходных временных рядов. Кроме того, модель строится по всей
совокупности данных за рассматриваемый период в отличие от метода
последовательных разностей, который приводит к потере числа наблюдений.
Параметры а и b модели с включением фактора времени определяются обычным
МНК.
Система нормальных уравнений имеет вид: [pic]