Различают два вида рядов: стационарные и нестационарные. Стационарные ряды - это такие ряды, в которых не содержится тренд (рис.1):
|
Рис.1. Стационарные ряды
В нестационарных рядах содержится тренд (рис.2):
|
Рис.2. Нестационарные ряды
Стационарный ряд должен иметь постоянное среднее и должен колебаться вокруг этого среднего с постоянной дисперсией.
Стационарный ряд должен иметь одну и ту же функцию распределения при любых значениях t, а в более общем виде, если имеется ряд ut необходимо, чтобы последовательные группы значений ut+1, ut+2,..., ut+k имели одинаковые многомерные распределения при любых значениях t и k. И все же стационарный ряд имеет вероятный характер, но остается неизменным во времени.
3.2. Авторегрессия, автокорреляция
Пусть задан ряд значений:
u1, u2,...,um.
Если предшествующие члены этого ряда находятся в зависимости с последующими в момент t, мы имеем дело с авторегрессионной моделью.
В общем виде авторегрессионная модель имеет вид:
|
|
ut = f (ut-1, ut-2,..., ut-m).
Линейный ее вариант можно записать в следующем виде:
ut = a1ut-1 + a2ut-2 +...+ amut-m + et,
где et - малая величина;
m - число членов, которое охватывает автокорреляционная модель (порядок автокорреляции).
Очевидно, что (u1, u2); (u2, u3);...; (um-1, um) образуют множество двухмерных величин с соответствующими коэффициентами корреляции стандартного типа.
Однако другие пары, в частности (u1, u3); (u2, u4); (u3, u5) и т.д. тоже образуют множество двухмерных величин, но в отличие от первого они образуют сериальные коэффициенты корреляции порядка k, т.е. rk.
Итак, если имеется функция
yt = f(yt-1, yt-2,..., yt-k),
то в этом случае для характеристики взаимосвязи используются так называемые авторегрессионные модели.
Линейный ее аналог имеет вид:
yt = a1yt-1 + a2yt-2 +...+ amyt-m.
Расчет коэффициента автокорреляции имеет вид:
;
где ;
Аналогично, коэффициент автокорреляции второго и более высоких порядков:
;
где ;
Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда. График зависимости ее значений от величины Лага, принято называть коррелограммой.
3.3. Динамические модели прогнозирования
Интерес к будущему возникает из непосредственной и острой практической потребности. Необходимость предвидения вероятного исхода отдельных экономических составляющих, в частности, спроса, предложения, стоимостных показателей, емкости рынка и т.д. особенно важна для бизнесменов, предпринимателей, менеджеров и т.п.
Предвидение событий позволяет заблаговременно приготовиться к ним, учесть их положительные и отрицательные последствия, а если есть возможность, то вмешаться в ход развития, контролировать его и, что более важно исследовать альтернативы будущего состояния.
|
|
Процессу прогнозирования предшествует аналитическая оценка исходной системы. Она должна производиться на основе охвата комплекса внутренних и внешних факторов. Затем происходит процесс прогнозирования, следовательно, и прогностическая оценка показателей.
Как правило, процесс прогнозирования осуществляется на основе формул:
1. y = a + bt
2. y = a + bt + ct2
3. y = a + bt + ct2 + dt3 и т.д.
В зависимости от исходной информации прогнозирование может осуществляться на основе нижеприведенных формул:
yt = abt.
Путем преобразования получаем:
.
;
;
.
В итоге:
.
Прогнозирование также может осуществляться на основе следующих формул:
или
;
;
;
и другие.